Alle afleveringen
S08E73 - AI van pilot naar productie: zo slaag je!
S08E73

AI van pilot naar productie: zo slaag je!

Seizoen 8 57 min Hosts: Joop Snijder & Niels Naglé
RV Ronald van Loon
0:00 —

Wat leer je in deze aflevering?

Ronald van Loon, tech-analist en negen jaar op rij een van de meest invloedrijke namen in wereldwijde AI-rankings, ziet bij bedrijven steeds hetzelfde patroon: zeven van de tien Artificial Intelligence-pilots halen de productiefase niet. Niet omdat de technologie faalt, maar omdat organisaties de verkeerde aannames meenemen: dat AI dataproblemen oplost, dat change management vanzelf gaat, en dat een werkende pilot gelijk staat aan een werkende implementatie. Hij laat zien hoe agentic AI verschilt van gewone workflow automation, waarom je datafundament de bottleneck is die niemand wil zien, en welke drie vragen je per use case moet beantwoorden voordat je ook maar één regel code schrijft.

Een agent die dezelfde persoon in twee systemen tegenkomt, één keer als prospect en één keer als klant van tien jaar, stuurt gewoon een kennismakingsmail, tenzij die context expliciet beschikbaar is in je data. Morgen kun je beginnen met één proces in je organisatie: schrijf op welke beslissingen daarin worden genomen, welke data daarvoor nodig is, en of iemand op C-level er formeel verantwoordelijk voor is.

01
POC-fatigue als structureel probleem 70% van de AI-pilots haalt productie niet. Oorzaken: geen executive sponsorship, te weinig training, en onduidelijke use cases. Na meerdere mislukte pilots stoppen teams met proberen.
02
Agentic AI vraagt meer dan workflow-automatisering Waar traditionele automatisering stappen uitvoert, neemt een agent ook beslissingen. Voorbeeld: een salesperson die prioriteert op basis van CRM-data, social media-signalen en servicehistorie tegelijk.
03
Datafundament is de bottleneck Dezelfde persoon die in het ene systeem als prospect staat en in het andere als klant van tien jaar, krijgt van een agent een "leuk om kennis te maken"-mail.
04
Kleine modellen, minimale data per use case Grote modellen op alle data draaien is duur. Een specifiek klein model op een beperkte, correcte dataset is goedkoper en beter te controleren. Organisaties die dit niet bewust kiezen, verbranden hun budget.

Kernbegrippen

POC-fatigue
Structureel probleem waarbij 70% van AI-pilots niet naar productie gaat door gebrek aan sponsorship, training en duidelijke use cases.
Agentic AI
AI-systeem dat niet alleen stappen uitvoert, maar ook zelfstandig beslissingen neemt op basis van meerdere databronnen.
Datafundament
Geconsolideerde, gelabelde en beheerde data als voorwaarde voor betrouwbare AI-implementatie.
Change management
Organisatorische aanpassing waarbij medewerkers begrijpen waarom hun rol verandert en een alternatieve rol krijgen aangeboden.

Wat kun je morgen doen?

  1. 1 Begin met één kleine, strategisch relevante use case en bouw feedback-loops in plaats van een volledig implementatieplan te schrijven
  2. 2 Breng per use case expliciet in kaart welke data de agent mag gebruiken en welke beslissingen een mens moet goedkeuren
  3. 3 Schakel externe expertise in als AI-operationalisering nieuw terrein is; zelf uitvinden kost meer tijd dan de technologie je geeft

Interview: Ronald van Loon

Ronald van Loon
Ronald van Loon Principal Analyst bij Intelligent World Bekijk gastprofiel →

Waarom wilde je het hebben over het gat tussen pilot en productie?

Wat ik zie is dat heel veel partijen met een pilot beginnen. Vaak hebben ze honderd ideeën, pakken daar twee of drie items uit en gaan daarmee aan de slag. Maar dan lopen ze toch tegen redelijk wat uitdagingen aan. Het leek me interessant om die uitdagingen te delen. Anderzijds wilde ik aangeven waar het nu eigenlijk staat in de wereld op het gebied van AI. Ik heb ook wat voorbeelden meegenomen van Agentic AI, dus hoe agents ons eigenlijk helpen om dingen beter te doen. De bagage die ik heb, zou ik graag delen over wat ik denk dat verstandig is om te doen om jezelf voor te bereiden.

Wat zijn de belangrijkste uitdagingen die je tegenkomt als het gaat om van pilot naar productie?

Het aantal uitdagingen is groot. Als je kijkt naar uitdagingen op C-level executive niveau, dan hebben die intern al discussies. De CEO zegt dat AI het nu helemaal aan het worden is. Als we even een stapje terugdoen, we zien eigenlijk een aantal keerpunten op het gebied van AI. OpenAI had in twee maanden honderd miljoen gebruikers. Dat is een punt wat nog geen enkele tool eerder had bereikt. Vervolgens had Open Core met Genic AI in zes weken meer downloads dan Linux in dertig jaar. Dat geeft aan dat AI echt niet nog een hype is. Heel veel executives denken nu dat ze hier wat mee moeten. Het moet opgenomen worden in de strategie. Maar Nederland loopt naar mijn mening nog wel ver achter ten opzichte van de rest van de wereld, vooral ten opzichte van de Verenigde Staten.

Waar lopen we dan precies op achter?

Allereerst de mindset. Ik had een presentatie voor tweehonderd Nederlandse executives met de voormalige minister-president van Nederland. Dat was in november. Ik vroeg wie er al met AI bezig was. Ongeveer vijftien mensen waren daar met een pilotje bezig. Toen vroeg ik ook wie er van Agentic AI had gehoord. Drie mensen. Dat was voor mij ook wel een verrassing. Ik had net een rapport gezien dat tachtig procent van de Amerikaanse executives op dat moment agents al in hun strategie hadden verwerkt. Dat geeft aan dat de mindset echt een van de grote verschillen is.

Kun je uitleggen wat Agentic AI precies is?

Agentic betekent eigenlijk dat het actionable wordt. Agentic heeft acties. Ik probeer het te vergelijken: als je een LLM hebt zoals ChatGPT, Gemini of Claude, dan heb je eigenlijk een tool. Die tool kun jij gebruiken als een soort ondersteuning voor jezelf. Je stelt een vraag, je uploadt bepaalde data of content, dan krijg je een antwoord terug en vervolgens ga jij zelf de acties uitvoeren. Nu ga je van zo'n toolbox over naar acties. De acties worden niet meer door jezelf uitgevoerd, maar door een agent. Agentic is een slimme agent die voor jou de acties gaat uitvoeren die je eerst altijd zelf deed. Dat is een heel groot verschil. Want dan komt er veel meer bij kijken dan wanneer je een tool hebt die jou kan ondersteunen. Bij een tool zit je altijd nog als persoon die even de filtering maakt van wat is goed en wat is niet goed. Als je een agent hebt, dan moet je alles gaan definiëren wat er allemaal moet gebeuren. Dat is een wereld van verschil tussen een tool gebruiken of AI operationaliseren binnen je organisatie.

Wat zijn de grootste adoptie-uitdagingen die je ziet?

Je ziet een soort adoption gap, een adoptie-kloof. Heel veel bedrijven die ermee bezig zijn, zeggen oké, ik begin ermee, ik ga zelf wat in elkaar zetten, ga het proberen. Maar die hebben geen toestemming of geen sponsoring, geen support van een executive persoon. Dan kun je wel heel veel dingetjes doen, maar dan krijgt het uiteindelijk niet door binnen je organisatie. Een andere zaak is dat als het door een tech-team wordt gedaan, de vraag is hoe gebruiksvriendelijk het is. Je ziet heel veel tech-oplossingen, ondanks dat het AI is en ondersteund wordt, dat niet betekent dat het gebruiksvriendelijk genoeg is. Ook wat je vaak ziet is training. Oh, we hebben nu een heel mooi tooltje, hier heb je het, ga het maar gebruiken. Mensen die niet weten waarom ze het krijgen, die niet netjes bij de hand worden genomen in die hele transitie, gaan het uiteindelijk niet gebruiken. Dan zie je dus dat de POC's, proof of concepts, waarvan wereldwijd zeventig procent nooit het daglicht ziet.

Wat maakt deze transitie naar Agentic AI zo complex?

Met agents kan het zoveel dingen. Voorheen, als jij een project en implementatie ging doen, dan maakte je een implementatieplan en dan had je alles in het implementatieplan staan. Dan kon je ermee aan de slag. Dit heeft zoveel mogelijkheden, dat je het bijna niet meer vooraf kunt definiëren. Je moet eigenlijk hele kleine stapjes nemen. Wat je in zo'n POC vaak ziet, daar heb je een klein conceptje, maar als je het op een gegeven moment gaat operationaliseren, dan moet je eigenlijk ook heel klein beginnen en heel veel feedback loopjes nemen. Oké, we hebben dit stapje gezet, kunnen we het gebruiken, ja, volgende stap.

Toch lijkt het alsof er nog iets onder ligt. Zelfs met management support, training en klein beginnen zie je veel projecten falen. Waarom?

Het grote verschil is dat je hier binnen een organisatie change management gaat doen en gaat operationaliseren. Dat is het verschil met ik heb een tooltje wat ik kan gebruiken. Wereld van verschil. Waar zit die wereld van verschil? Een van de dingen is het aantal POC's dat gedraaid wordt. Voor heel veel mensen wordt het op een gegeven moment: ja, we hebben zoveel POC's gehad, ze werken niet, waarom zullen we de volgende nog doen? Dat heet POC fatigue. Dan is er de speed paradox tussen de C-level executives, waarbij de CEO zegt oh, we moeten met de AI-slag, het gaat het helemaal worden. En de CFO die zegt ja, ik zie al die projecten, maar die gaan helemaal over hun budget. Vorige week was ik nog ergens waar een project eind maart alle tokens verbrand had. Wat doe je dan de rest van het jaar? Dan kun je er geld bij stoppen of stoppen. En je ziet de CIO eigenlijk de uitdaging hebben omdat die weet dat er zoveel legacy is. Of het nu gaat over alle verschillende datasources die nog gekoppeld moeten worden, of over API's die al die AI queries helemaal niet aankunnen. Die paradox is een uitdaging waarbij de ene meer speed wil voor nieuwe projecten en de andere denkt: doe maar eens even rustig aan, want ik krijg het toch niet voor elkaar.

Hoe werkt het definiëren van use cases anders bij Agentic AI?

Normaal heb je een implementatie, definieer je een use case, je hebt je projectplan en je gaat implementeren. Hier is de vraag of je al kunt bedenken wat de use case is. Bijvoorbeeld de next best action in een servicebedrijf, waar je eigenlijk je hele verkoopmethode en marketingmethode gaat omdraaien en agentisch gestuurd laten worden. Dat kun je vooraf niet definiëren. Dan kun je pas ermee aan de slag gaan en denken van oké, wat kunnen we nu, wat krijgen we eruit? Je use case is lastig vooraf te definiëren. Dan heb je ook een adoptiegap van oké, deze mensen zeggen hé, we gaan ermee aan de slag, we gaan iets doen, bijvoorbeeld de next best action. En de anderen zeggen ja, maar wat betekent dat voor mij, verlies ik mijn baan, is dat een onderdeel van mijn taak? Als er een gedeelte met de hakken in het zand gaat, gaat er weer niks, wordt het project uiteindelijk niet succesvol.

Wat zijn de risico's rondom ongeautoriseerd gebruik van AI-tools?

Een ander heel belangrijk item: de druk is hoog bij mensen om betere kwaliteit nu te leveren. Maar binnen de organisatie wordt gezegd: je mag geen LLM gebruiken, want je mag je data van het bedrijf niet instoppen. Iemand komt de volgende dag met een uitgebreid rapport en zegt ik heb het niet gedaan met AI, ik heb het allemaal zelf gedaan, kijk eens hoe goed ik ben. Dan denkt die ander: dat kan die niet gedaan hebben. Maar hij krijgt wel alle credits. Dus die denkt 's avonds: ik pak mijn eigen LLM, ik stop daar dat rapport even in, doe ik even analyse, ik maak hem in mijn eigen bewoordingen. Maar de data, strategische data van het rapport, zitten dan in een LLM. Als het een gratis versie is, wordt het gedeeld en kan iedereen erbij, want wordt het gebruikt om van te leren. Hoe ga je dat managen binnen organisaties? Je ziet het niet en je kunt het ook bijna niet bewijzen.

Wie neemt uiteindelijk de beslissingen als je met AI-agents werkt?

Een onderdeel waar ik veel mee bezig ben is: wie is nu de eigenaar van de beslissing? Als je kijkt naar AI, wat doet AI, en vooral agent AI, die neemt beslissingen. Tot nu toe namen personen in plaats beslissingen. Nu ga je zeggen: AI gaat beslissingen nemen. Maar welke beslissing mag AI nemen? Welke mag een persoon, een werknemer nemen? En welke moet je een combinatie hebben? Ik gebruik de term human in the loop. Dan moet je een mens hebben die uiteindelijk goedkeuring geeft. Dat is heel lastig om vooraf helder te krijgen, maar heel belangrijk. Want anders ga je beslissingen afpakken van iemand die niet weet dat die beslissing niet meer door hem genomen wordt.

Hoe zit het met verantwoordelijkheid en eigenaarschap van autonome beslissingen?

Accountability, verantwoordelijkheid, is een belangrijk onderdeel. En wie wordt er verantwoordelijk voor de autonome fouten die gemaakt worden? Je moet ze ook kunnen ontdekken. Dus je moet gaan observeren. Observability, waarneembaarheid, is daar een onderdeel van. Ik wil bijhouden wat er allemaal wordt gedaan. Kunnen we zien, is het transparant genoeg om te bepalen welke data we hebben gebruikt, welke beslissing is genomen, welk model is gebruikt, waar zit de fout dan uiteindelijk in? Zolang je dat niet hebt, kun je niet eens iemand de schuld geven. Maar is het wel de schuldvraag als er iets helemaal verkeerd gaat? Die accountability is een belangrijk onderdeel. En je ziet dat pas als het fout gaat.

Kun je een praktisch voorbeeld geven van hoe Agentic AI werkt in een organisatie?

Laat ik een voorbeeld geven van next best action. Dat is een agentic case waar een agent mee gaat helpen met beslissingen te nemen of gedeeltelijk autonoom beslissingen neemt. Die gaat de executie doen in een organisatie waarbij je altijd gewend bent dat er een manager is en werknemers die zelf de beslissingen nemen. Dit gaat over verkoop en marketing. Je krijgt eerste contact, een signaal binnenkomt, misschien registreert iemand op je website. Dan komen ze in het CRM-systeem, customer relationship management systeem. Je gaat die opvolgen en het hele traject door tot een sales. Als je nu gaat redeneren wat kun je met AI, wat wil je met AI, en je zegt ik wil eigenlijk alleen maar het doel bepalen, want dat is waar agentic heel goed in is. Ik zeg: het doel is verkopen van deze service. Dan zeg je tegen agentic: deze service wil ik gaan verkopen, wat moet er dan allemaal gebeuren vanuit organisatieperspectief? Dan moet je enerzijds zeggen: oké, we hebben models, modellen, LLM-modellen. Je hebt agents met bepaalde skills, capabilities, die ze uit kunnen voeren. Vervolgens heb je een workflow die je allemaal moet gaan coördineren. In die workflow kan een agent een beslissing nemen, dan kan een persoon een beslissing nemen of een human in the loop combinatie. Die moet je gaan orkestreren.

Hoe verschilt dit van traditionele workflow automation?

Nu denkt het systeem voor jou. Het systeem gaat bepalen wat jij moet doen, in welke volgorde, welk berichtje jij genereert, welk bericht jij terugkrijgt, daar weer op antwoorden. Bij workflow automation zijn dat de stapjes die je automatiseert. Hier ga je al het denken, al het kenniswerk ook automatiseren in die stapjes. Uiteindelijk wordt jouw rol als bijvoorbeeld verkoper heel anders. Je gaat in plaats van drie offertes die je op een dag maakt, tien keer dat doen. Je gaat heel veel, misschien nog dingetjes checken van: moeten we hierop antwoorden? Ja, ja, ja, maar je geeft een lijn aan. Maar de AI genereert het antwoord.

Wat voor type denkwerk besteden we uit aan de agent dat we niet in workflow automation zouden kunnen?

Je zou het kunnen met machine learning, maar dan is het project nog veel complexer. Wat zou je bijvoorbeeld niet kunnen? Nou, één: je verzamelt al die signalen, bijvoorbeeld op social media. Honderden, duizenden signalen. Ik zeg: ik heb vierhonderd target personen, dan ga je de signalen opvangen. Dat kun je handmatig doen, maar dat kost veel te veel tijd, dus dat doe je niet. Als je daar een agent hebt die die signalen configureert en op kan vangen, dat is al één ding. Vervolgens komen die signalen binnen. Je hebt een like, een comment en een share. Die worden nu helemaal niet gebruikt. Nu is het alleen als er iemand een mail stuurt van ik wil wat kopen, dan reageer je daarop. Maar nu heb je al veel vroeger signalen die je, omdat je die data hebt en kunt verwerken, gaat gebruiken. Dat is een automatisering van je signalen. Je hebt vaak bij organisaties meerdere databases met klantinformatie, serviceinformatie, verkoopinformatie, je CRM-data. De salespersoon zit alleen in de CRM-data te kijken. Heeft hij gekocht, oh, eens even kijken wie er in het verleden heeft gekocht. Maar die kijkt niet: oh, er is een serviceaanvraag geweest of er is een aankoop gedaan in een ander systeem. Die combineert die verschillende systemen niet. En omdat die systemen niet combineert, krijg je die signalen ook niet. Dus gebruik je die signalen ook niet om een vervolgactie te creëren.

Hoe ga je om met mensen die hun hakken in het zand zetten bij zo'n implementatie?

Je moet ze meenemen vanaf het begin. Je zult mensen moeten voorbereiden dat ze een andere rol gaan krijgen. Waar ik altijd op focus is: je gaat betere kwaliteit leveren en je hebt meer output. Dat is wat we proberen te realiseren. En de irritante repetitieve werkzaamheden, die hoef je niet meer te doen. Maar dat blijft nog steeds een belangrijke rol in het geheel. Niet iedereen zal dat begrijpen, niet iedereen zal dat willen, maar dat is wel wat er gaat gebeuren in de wereld. Je zult je aan moeten passen om met AI samen te kunnen werken. Doe je dat niet, dan zal het lastig zijn. Doe je dat wel, dan wordt je productiever. Programmeurs bijvoorbeeld: ik zag gisteren nog een post dat het aantal commits van software-commits van programmeurs drie of verviervoudigd is. Dat betekent niet dat er minder programmeurs nodig zijn, want er zijn veel meer projecten. Ze kunnen veel productiever zijn. Je wordt productiever en je levert een betere kwaliteit. Dat is hoe je mensen mee moet krijgen.

Wat is de uitdaging met verschillende databronnen voor de CIO?

Verschillende databronnen is een van de grootste uitdagingen. Een heel simpel voorbeeld: als jij het gaat automatiseren met een agent en je hebt in verschillende bronnen dezelfde persoon, maar die staat bijvoorbeeld twee keer in. In de ene bron staat die als prospect en in de andere is het een klant van tien jaar. Vervolgens stuurt de AI dan een mailtje van: leuk om kennis te maken. Dat is al een heel simpel voorbeeld dat je data op orde moet zijn. En inderdaad, heel veel CIO's worden heel zenuwachtig van: hoe gaan we dat allemaal oplossen?

Moet je data eerst op orde zijn voordat je begint?

Je hebt een aantal fases van je data. Verschillende databronnen en veel raw data, ruwe data, dat is het slechtste scenario dat je kunt hebben. De volgende stap is dat je die databron gaat consolideren of in ieder geval toegankelijk maakt en consolideert. Dat is een tweede stap. Toegankelijk maken is een belangrijke stap. Vervolgens, en dat is een hele lastige stap wat heel weinig organisaties hebben gedaan, moet je gaan labelen. En je moet een governance laag, een besturingslaag, overheen zetten. Wie mag welke data gebruiken bij welke use case op welk moment? Een persoon, maar ook een agent. En vooral een agent.

Waarom is het bij agents extra belangrijk om de data governance goed te hebben?

Een persoon kan nog even redeneren van: oké, dit is Jan en die is al tien jaar klant, die ga ik niet een berichtje sturen van leuk kennis te maken, kun je een keer langskomen op een nieuw event van ons. Die maakt die redenatie, die heeft dat in zijn hoofd en die heeft dat in zijn processen. Dus daar zit nog een soort menselijke schakel tussen. Bij een agent die zegt: dit is een nieuw persoon, die moet ik een berichtje sturen, die stuurt dat bericht eruit. Dus daar moet je ook heel goed bedenken: wat wil ik wel en wat wil ik niet door een agent laten doen?

Waarom wil je zo min mogelijk data per use case gebruiken?

Je moet gaan bepalen in elke use case welke data je mag gebruiken, welke niet. En je wil eigenlijk zo min mogelijk data per use case gebruiken. En ook zo klein mogelijk model. Modellen kosten geld. Als je dingen tienduizend keer doet en je doet dat met een heel groot model op alle data, kost je tienduizend keer heel veel geld. Als je dat tienduizend keer doet met een klein model en met beperkte data, kost dat misschien een fractie. Dat wil je zo specifiek mogelijk doen. Maar dan moet je wel weten welke data. Je moet wel toegang tot die data hebben en het kunnen ontsluiten. En je data moet voorbereid zijn in een pipeline dat die data aangeleverd wordt.

Zit daar nog menselijk denkwerk in?

Oh, daar zit heel veel menselijk denkwerk in. Ik denk dat we alleen maar meer werk krijgen. Alle mensen die ik spreek die met AI bezig zijn, die hebben meer werk en die werken harder dan ooit. Ik denk niet dat het minder gaat worden. Want de uitdagingen, de complexiteit die er eigenlijk is in een organisatie, wordt nu blootgelegd. Daar hebben we heel veel mensen voor nodig die slim zijn en bedenken: hoe gaan we dat nou oplossen?

Waarom zeg je dat die complexiteit blootgelegd wordt?

Als jullie een organisatie hebben, worden heel veel beslissingen genomen op basis van mensen die kundig zijn, er zijn regels, standard operating procedures, SOP's. Mensen hebben een menselijk gevoel van: dit moet ik wel doen, dit moet ik niet doen. Dit is een klant, die ga ik dat bericht niet sturen. Informele beïnvloeding. Er is een manager, als ik het niet weet, dan ga ik het even de manager vragen. Dat gaat van het C-level tot en met mensen in de praktijk. Dat is allemaal geregeld. Nu moet je een agent gaan vertellen wat die moet doen. Dan komt er heel wat bij kijken. Je hebt bijvoorbeeld de legacy systemen. Je moet bepalen welk systeem kan ik wel data uithalen, welke niet, die verschillende bronnen. Dat is al een uitdaging op zich, een project op zich. Dan moet je gaan bepalen welk model wil ik hebben. Je kunt wel zeggen altijd standaard groot model, maar dat kost heel veel geld. Als er iets gebeurt wat niet had moeten gebeuren, moet je het wel uit kunnen leggen. Explainability, uitlegbaarheid. Maar dat moet je wel inzichtelijk hebben. Als je dat allemaal niet inzichtelijk hebt, kun je het ook nooit gaan uitleggen. De skills van de mensen, je moet ze wel meenemen. Je moet al vooraf weten: welke skills moet ik die mensen leren? De use cases die je initieel had voor een project, die kon je misschien met een A4'tje maken en zeggen: die gaan we implementeren. Nu moet je al die verschillende facetten gaan definiëren. Die worden veel gedetailleerder. De guardrails, dus wat mogen we wel en wat mogen we niet doen in de praktijk, dat ga je allemaal expliciet op moeten schrijven. Want anders weet je agent ook niet wat hij mag.

Is het niet juist het allermoeilijkste om processen expliciet in kaart te brengen?

Maar dat gaat een agent wel doen. Daar geef jij aan wat die moet doen. Als jij dingen niet beschrijft, dan gaat hij zijn eigen interpretatie daarop voeren. Of die dan goed of slecht is, dat merk je later. Maar dat moet je wel kunnen traceren, auditen. Want als je dat niet kunt auditen, kun je het ook niet beoordelen.

Moet je dan niet proberen alles in kaart te brengen, maar juist klein beginnen en laten groeien?

Ja, met één voorwaarde: dat je fundament goed is. Want als je op een slecht fundament agents in je operatie gaat zetten... Het fundament is breder. Dat is het technisch fundament, dat je infrastructuur uiteindelijk kloppend moet zijn. Je datafundament is heel cruciaal.

Wat zit er in het infrastructuur fundament?

Een aantal items. Je hebt enerzijds je modellen. Je moet met een model, als je met een model aan de slag gaat, weten in ieder geval welk model je hebt. Je hebt te maken met je orchestration, orkestratie. En dat is iets wat heel veel partijen niet goed georganiseerd hebben. Dus eigenlijk je governance laag bepalen: wie heeft toegang tot welke data, wanneer en op welke manier. Dat is echt cruciaal. Als jij modellen gaat toepassen, inference heet dat, het uitvoeren van het model, je kunt ze trainen, maar dan eenmalig uitvoeren van het model, dus je moet je inferencing correct hebben. En je moet dan kunnen monitoren wat je doet. Observability, waarneembaarheid. Want als je die elementen niet voor elkaar hebt, dan gaat het eerst fout dan weet je het niet. Of je hebt een model opgezet en het performt niet. Dat zijn basiselementen.

Wat is AI-ready data?

Wat is niet AI-ready? Dat is data verspreid over verschillende sources, verschillende bronnen. Raw data in verschillende systemen. Dat is het minste niveau wat je hebt, wat heel veel organisaties helaas nog hebben. Dan zeg je: het moet geconsolideerd worden. Dat wil niet betekenen dat het in één database zit, maar wel een laag die die data accessible maakt, toegankelijk, consistent, helder. En de definities vergelijkbaar. Want als je in verschillende databases verschillende definities hebt, loop je ook tegen uitdagingen op. We hadden een mooi voorbeeld: wij willen de top performers hebben in manufacturing in de VS. De agent kwam met drie resources, de agent kwam met een andere lijst dan database één en database twee met dezelfde data. Hoe kan dat? Wat is de VS? VS, US, USA. Heel simpel, maar ik geef wel meteen aan: dit is het meest simpele voorbeeld wat vaak wel goed gaat. Maar een klein verschil kan al een verkeerd resultaat geven. Dan heb je dat het accessible en consolidated is, toegankelijk en geconsolideerd. Dan heb je vervolgens dat het governed moet zijn en gelabeld, met dezelfde definities en dergelijke. Dan kun je een pipeline bouwen en AI-ready maken en dan moet je nog de juiste API of MCP hebben, Model Context Protocol, om het op het juiste moment eruit te kunnen halen. Dat is AI-ready data, maar dat zijn al drie verschillende fases.

Denken mensen op C-level niet dat AI deze dataproblemen zelf oplost?

Dat zal afhangen van het kennisniveau. Maar er zullen een aantal zijn van: ja, het zal mijn tijd wel zijn, ik ga over met pensioen, dus laat ik maar even mijn vingers niet aan branden. De belofte is heel groot van deze technologie. Er wordt geloofd in de belofte van: oh ja, maar dit soort dataproblemen, dat lost AI ook op. Tegenwoordig lost AI namelijk alle problemen op. Ik weet niet of je dat moet geloven. De praktijk is: het blijkt gewoon heel lastig te zijn. Ik zeg: het is heel makkelijk om een tooltje te gebruiken en support te krijgen en heel moeilijk om AI te operationaliseren. De basis is gewoon een goed fundament hebben van je data, van je infrastructuur. Dan kun je daarop bouwen. Heb je dat niet, dan wordt het lastiger. Dan kunnen er ook allerlei dingen gebeuren die je niet wil en niet meer kunt traceren.

Wat vind je zelf moeilijk om los te laten waar AI dingen voor jou heeft overgenomen?

Ik zit even denken wat ik moeilijk vind. In ieder geval het liefste doe ik maar één ding en dat doe ik duizend keer, en dat is dit soort dingen, interviews. En de rest geef ik allemaal aan andere mensen of laat ik oplossen. Ook zelfs met videobeelden, je kunt het geloven of niet, maar soms heb ik op een event een opname en blijkt dat ik iets heb gezegd wat niet mocht. Dan pakken ze mijn avatar en die zetten ze ertussen en niemand ziet iets. Dus ook daar word ik vervangen. Ik heb zelf niet heel veel moeite om dingen over te dragen. Dat maakt mijn leven leuker, aangenamer, makkelijker en ik werk al genoeg. Meer kan overdragen, dat heb ik niet dat ik het zelf niet wil. Als je kijkt naar de mensen, dan is de belangrijkste vraag: heb ik daarna mijn job niet meer? Als je dan een alternatief biedt, ik werk met mensen over de hele wereld, als je zegt: we hebben een ander type job, dan vinden ze dat al vaak prettig. Maar dat is eigenlijk de kernvraag die mensen krijgen: angst dat ze een job verliezen.

Hoe kijk je naar de SaaS apocalypse en de toekomst van cloud computing?

De beurs reageert heel emotioneel. Daar ben ik minder van onder de indruk. Je ziet elke keer alles wat er gebeurt zich weer recht trekken. Als je kijkt, cloud is er en gaat niet meer weg. Of je nu iets on-premises of in de cloud doet, dat heeft meer met een strategische beslissing te maken van een organisatie. Wil je iets airgapped hebben in jouw eigen omgeving, volledig beveiligd, niemand kan erbij, het is ook niet geconnect met de buitenwereld, dan zul je dat niet in de cloud kunnen doen, want die is altijd in connectie met het internet. Maar alle andere opties, of je het in de cloud hebt of cloud on-prem in je eigen bedrijfscloud, dat is om het even. De kern van AI is: je hebt een veelvoud, tien, honderd keer zoveel use cases die aangepakt kunnen worden. Of je dat in de cloud doet of on-prem, dat maakt niet uit. Er is veel meer behoefte aan nieuwe use cases die je kunt gaan invullen. Dan heb je nu enerzijds heel veel partijtjes. Ik krijg elke dag tien nieuwe bedrijven die zeggen: wij hebben een nieuw toolletje. Tien is niet eens overdreven. Er komen heel veel nichepartijtjes bij en je hebt platformen die zeggen: wij zijn platform en op dat platform kun jij al die use cases uitvoeren. Wat je denk ik zult zien is dat al die nichepartijtjes, dat is vaak een functionaliteit op een groot platform. Je zult consolidatie zien. De grote techpartijen kopen nichepartijtjes en die integreren dat in hun platform. Dat zul je denk ik zien met cloud: meer consolidatie. Dan heb je nog vanuit je organisatie de vraag: als jij met een platform gaat werken, wie is de data? De data zal van de klant zijn, maar dan zeg ik: ja, maar je mag geen externe modellen gebruiken op de data in het systeem van de vendor. Dan wordt het natuurlijk een beetje raar. Daar moet je voor jezelf altijd zorgen dat je met de data mag doen wat je wil, want het is altijd wel jouw data. Maar als er nog een tussen komt van: dat mag je er niet mee, dan wordt het lastig.

Wat kunnen we als Nederland leren van Amerika en China?

Die landen zijn super innovatief en supersnel in het opnemen van nieuwe technologieën. Maar die hebben daar een hele duidelijke strategie over van: wij moeten een leider zijn in dat gebied. Nu heeft Europa gezegd: wij moeten onszelf meer gaan beschermen. Dus wij moeten hetzelfde kunnen binnen Europa wat ze in de VS of wat ze in China doen. Bijvoorbeeld hyperscalers hebben. Daar liggen we te ver achter. Ik denk dat we één stap terug moeten doen en moeten kijken: waar zijn wij nu supergoed in? Daarop focussen en daar de innovatie op focussen en daar de AI op focussen. Zodat we goed worden in de dingen waar we al goed in zijn en niet proberen ons te verdedigen door technologieën te gaan bouwen die eigenlijk al veel te ver zijn en die we zelf niet meer kunnen achterhalen.

Wat springt eruit met jouw wereldwijde blik binnen Nederland?

In Nederland heb je natuurlijk ASML, dat is het kroonjuweel van Nederland. Maar je hebt de biotechnologie. Daar zit ik zelf niet in. Je moet gewoon op niche-niveau gaan kijken: waar zijn we goed in? Daar moet je je innovatie op richten met AI. Dan kom je zelf weer bovendrijven en dan ben je beter dan Amerika, dan China op dat gebied. Je moet je keuzes maken. We moeten niet proberen onszelf te gaan verdedigen door opnieuw te bouwen wat zij al hebben gedaan. Zij hebben een aantal strategische keuzes gemaakt, jaren geleden. Silicon Valley en China is ook heel strategisch bezig. Die halen we gewoon niet meer in. Daar zijn we te laat, daar hebben we fouten gemaakt, als je het fout kunt noemen, strategische keuzes gemaakt in Europa. We moeten doen waar we goed in zijn en daar helemaal op richten en daar alle innovatie en daar alle AI-capaciteit op richten.

Is er iets wat je zou stoppen als je de macht had in Nederland?

Regelgeving is goed. Projecten gefund door de overheid of door de Europese Unie is goed. Maar als projecten zijn om de zoekmachine na te bouwen die er in andere landen wereldwijd dominant zijn, dan zou ik zeggen: stop met dat soort projecten. Kijk naar projecten waar we goed in zijn. Stop daar het geld in en niet in projecten om dingen te kopiëren waar we te laat zijn, waar we niet het beste in de wereld zijn. Je moet gewoon het beste in specifieke markten zijn. Dat geldt voor Nederland, dat geldt voor Europa. Het andere stukje is regelgeving. Regelgeving is goed om onszelf te beschermen. Maar draai niet door, want sommige dingen in de wereld gebeuren en die kun je niet voorkomen. Dan moet je meer gaan kijken van: hoe kunnen we daarmee omgaan? Dan dat je zegt: we gaan personal identifiable information, persoonlijk identificeerbare informatie, helemaal beschermen. Want als je zegt dat mag bijvoorbeeld niet in AI gebruikt worden, of dan moet je toestemming voor hebben, dan zal het heel lastig worden voor Europa om nog competitief te zijn op alle gebieden waar we nu al goed in zijn. We moeten toch echt wel naar de wereld kijken op het gebied van regelgeving en ook denken vanuit innovatie en niet alleen maar vanuit regulatie.

Vraagt dat niet ook een langere strategische horizon?

Exact. Maar dat is lastig als regeringen enerzijds over alle Europese landen verdeeld zitten en anderzijds als je geen, wat je in China hebt, gewoon één leider en die zegt: deze richting gaan wij. De vraag of je dat wil, maar die hebben wel een richting. En dat hebben wij soms te weinig.

Wat adviseer je bedrijven die nog niet begonnen zijn met AI?

Ik denk dat je je bedrijf moet analyseren en zeggen: wat is de kernsuccessfactor van mijn bedrijf? Hoe kan ik daar AI op inzetten? Hoe kan ik heel makkelijk beginnen? Pak in ieder geval een case die zo voor de hand liggend is. Heel klein. Maar dat het echt past binnen jouw strategisch en businessdoel en niet iets technisch van: we moeten het nu gaan gebruiken, we gaan een tooltje gebruiken en we gaan het invullen. Operationaliseren van AI is heel moeilijk. Heel simpel is een tooltje maken. Begin dan met dat tooltje. Begin dan met mensen beperkte toegang te geven, je data in dat tooltje te zetten, mooi afgeschermd en het te laten gebruiken. Want dat is een relatief makkelijke stap ten opzichte van die operationalisering van AI binnen je organisatie. Als je geen ervaring hebt, begin er niet aan en zoek mensen en partijen buiten je organisatie die je daarmee kunnen helpen. Want anders ga je het niet redden. Het gaat te snel en is te complex om het zelf uit te vinden. Het gaat zo snel dat alles wat jij hebt gevonden al vernieuwd is als je het hebt uitgevonden.

Dus niet alles zelf opnieuw uitvinden?

Wel beginnen met een tool om te leren kennen, maar in acht nemen dat de operationalisering meer vraagt dan het tooltje zelf. Dat moet je meenemen bij de implementatie van het tooltje en het plaatsen binnen het grotere perspectief. Je moet hier echt denken vanuit greenfield, vanuit een blanco blad. Die next best action, de enige manier waarop dat bedrijf tot iets nieuws kwam, was gewoon met blanco beginnen. Wat willen we eigenlijk? Niet van: hoe kan ik het bestaande automatiseren? Begin met een blanco blad: wat zou ik eigenlijk willen doen? Dan kan dat en welk stukje kan wel en wat kan niet. Dan kun je verandering doorvoeren. Maar het is niet de technologie wat de belemmerende factor is, het zijn de mensen, de organisatie en het beperkt denken. Daar ligt het.

Change management is dus echt het fundament van deze technologie?

Het is toch echt wel het fundament van deze technologie. Dat is niet de technologie zelf.

Als je terugkijkt, welke voorspelling is helemaal niet uitgekomen?

Bijvoorbeeld crypto. Die technologie, crypto zelf is een discussie van: is dat wat of niet? Waarbij ik het als technologie links heb laten liggen. Maar mijn achtergrond is data. En ik heb altijd heilig geloofd in: data is de kern van alles wat je doet. Dat denk ik dat ook altijd blijkt. Maar het is veel moeilijker om te operationaliseren dan iedereen gedacht heeft. AI, op een gegeven moment, toen ik begon in 2017, werd ik gebeld door de chief data science van een van de grootste technologiebedrijven ter wereld. Die zei: wil je een webcast maken? Dat was mijn begin en mijn omslagpunt. Dat ging over machine learning. Toen was machine learning het heilige graal. Toen was het nog heel veel jaren promise, belofte, maar de realisatie heel moeilijk. Nu zie je met de LLM's, met AI en dadelijk met Agentic AI, Agentic AI is ook complex maar die heeft wel een grote belofte. Zie je dat veranderen. Maar ik denk AI is de usability verandering, gebruiksvriendelijkheid. Generative AI wordt echt de procesverandering, maar is lastig.

Dacht je dat de adoptie sneller zou gaan?

Ik dacht ook dat de adoptie veel sneller zou gaan. Daar heb ik me in vergist. Ik dacht: waarom duurt het zo lang? Als je dan met organisaties aan de slag gaat, dan denk je: oh ja, nu begrijp ik het. Want het is zo lastig om verandering van nieuwe technologieën door te voeren. Die complexiteit wordt nu verder blootgelegd. Organisaties zijn gewoon complex. Er zijn heel veel dingen die gedefinieerd moeten worden.

Welke doorbraak of innovatie hebben we nodig om Agentic makkelijker te maken?

Als migraties geautomatiseerd kunnen worden, datamigraties, toolmigraties van een bestaande tool naar een agentic tool, als dat door AI gedaan kan worden, dan gaat dat een hele grote shift geven in de acceptatie van de nieuwe technologie. Omdat je dan de limitaties makkelijker kunt overkomen door een transformatie te doen naar iets nieuws en niet meer last te hebben van de legacy die je hebt. Dat gaat ook wel weer op de bestaande technologievendors de druk geven om het makkelijker te maken. Dat zou goed zijn voor de markt. Want dan zullen de bestaande technologie vendors minder op hun huidige zetel blijven zitten. Ze moeten weer competitiever zijn. Dat zie ik als een vervolgstap die er gaat komen. Die gaat komen. Maar de vraag is even wanneer.

Hebben we het voldoende gehad over de risico's?

We hebben het nog wat minder gehad over risico's. Security, beveiliging, is niet mijn sterkste gedeelte, maar er zijn wel een aantal risico's die we niet besproken hebben. Dan kun je bedenken: wat kan er allemaal misgaan? Bijvoorbeeld prompt injection, waarbij eigenlijk, zonder dat je het doorhebt, iemand fouten toevoegt aan je prompt. Beïnvloeding van de nieuwe technologie. Als dat maar duizend keer uitgevoerd wordt, kan dat enorm effect zijn. Dat is het security stuk dat ik nog minder besproken heb. Maar er zijn een aantal dingen waar je echt wel die risico's goed in kaart moet brengen als je hiermee aan de slag gaat. Maar dat is ook weer een topic op zich. Mijn expertise ligt meer op data en AI. Kernpunten en Praktische Adviezen Start klein met een concreet doel: Begin niet met honderd ideeën maar met één concrete use case die aansluit bij je kernsuccessfactor. Pak iets voor de hand liggends dat past binnen je strategische en businessdoelen. Zorg voor een goed fundament: Voordat je agents implementeert, moet je technische infrastructuur en vooral je datafundament op orde zijn. Dit betekent: geconsolideerde, toegankelijke, gelabelde data met een sterke governance laag. Begrijp het verschil tussen tools en agents: Een LLM-tool ondersteunt je bij je werk, maar een agent voert autonoom acties uit. Dit laatste vereist veel meer voorbereiding, duidelijke definities en controle-mechanismen. Investeer in change management: De technologie is niet de belemmerende factor, maar mensen, organisatie en mindset wel. Neem werknemers vanaf het begin mee, leg uit hoe hun rol verandert en welke nieuwe skills ze nodig hebben. Definieer beslissingsbevoegdheden expliciet: Bepaal vooraf welke beslissingen AI mag nemen, welke een mens moet nemen, en waar je een "human in the loop" nodig hebt voor goedkeuring. Werk met kleine iteraties en feedback loops: De complexiteit van Agentic AI is zo groot dat je niet alles vooraf kunt plannen. Neem hele kleine stapjes en evalueer continu of het werkt voordat je verder gaat. Borg observability en explainability: Zorg dat je kunt traceren welke data gebruikt is, welk model, welke beslissing genomen is. Dit is cruciaal voor accountability en het kunnen verbeteren van je systeem. Minimaliseer data en modelgrootte per use case: Gebruik zo min mogelijk data en zo klein mogelijk model per specifieke toepassing. Dit bespaart enorm veel kosten en maakt het systeem beter beheersbaar. Haal expertise van buitenaf: Als je geen ervaring hebt met AI-operationalisatie, probeer het niet zelf uit te vinden. De technologie ontwikkelt zich zo snel dat wat je leert alweer verouderd is als je het hebt uitgevonden. Focus op Nederlandse nichekracht: Probeer niet Amerika of China na te jagen in hun sterktes, maar focus op waar Nederland al goed in is (zoals ASML, biotechnologie) en pas daar AI op toe. Denk vanuit een blanco blad: Begin niet met "hoe automatiseren we het bestaande", maar met "wat willen we eigenlijk bereiken". Dit greenfield-denken leidt tot echte innovatie. Zorg voor executive sponsorship: Zonder steun van het management blijft elk AI-initiatief steken in de pilotfase. Krijg commitment op C-level voor je project. Adresseer de speed paradox: De CEO wil snelheid, de CFO ziet budgetoverschrijdingen, de CIO worstelt met legacy. Deze spanning moet je expliciet bespreken en managen. Voorkom POC fatigue: Te veel proof-of-concepts die nergens toe leiden, zorgen voor weerstand. Zorg dat je POC's echt doorlopen naar productie of stop er anders mee. Implementeer governance voor shadow AI: Mensen gebruiken stiekem externe LLM's als de druk hoog is. Dit brengt risico's met zich mee voor databescherming en moet je proactief aanpakken met interne, veilige alternatieven. AIToday Live is een podcast die zich richt op de nieuwste ontwikkelingen in AI en de impact ervan op verschillende sectoren. In elke aflevering spreken hosts Niels Naglé en Joop Snijder met experts uit het veld om inzicht te krijgen in de mogelijkheden en uitdagingen van AI-technologie. Luister via je favoriete podcast app: Spotify, Apple podcasts, YouTube Music, en meer.

Over de gast

Ronald van Loon
Ronald van Loon
Principal Analyst bij Intelligent World

Ronald van Loon is Principal Analyst bij Intelligent World, waar hij ontwikkelingen op het gebied van data en AI volgt en deelt via video en geschreven content. Hij ontvangt input van meer dan honderd toonaangevende techbedrijven en reist wereldwijd om aanwezig te zijn bij relevante evenementen en conferenties. Al acht jaar staat hij in meer dan honderd wereldwijde rankings als een van de tien meest invloedrijke personen op het gebied van AI en data-analyse.

Bekijk gastprofiel
Bekijk alle gasten →

Transcript

Ronald van Loon is Principal Analyst bij Intelligent World. Hij krijgt input van meer dan honderd leidende techbedrijven, was de afgelopen twee maanden vier keer in Amerika en één keer in China, en staat al acht jaar in meer dan honderd wereld wij de rankings als top 10 meest invloedrijke persoon op het gebied van AI en data-analyses. Vandaag heeft hij één centraal thema meegenomen. Het gaat tussen pilot en productie. Want 70 procent van alle AI-proof-of-concepts ziet nooit de dag licht. Joop: Hoi, leuk dat je weer luistert naar een nieuwe aflevering van AIToday Live. Joop: Mijn naam Joop Snijder, Head of AI bij Info Support. Joop: Mijn naam, Niels Naglé, en Area Lead Data & AI bij Info Support en vandaag in de studio Ronald van Loon. Joop: Ronald, voordat we beginnen, zou je jezelf eerst willen voorstellen aan de luisteraar. Ronald: Dank voor de uitnodiging. Ronald: Leuk om hier te zijn, leuk om in jullie studio te zijn. Ronald: Ronald van Loon, ik ben een tech-analyst. Ronald: Dus ik hou eigenlijk alles bij wat op het gebied van technologie gebeurt, en vooral op het gebied van data en AI. Ronald: Ik krijg input van meer dan 100 leidende techbedrijven, die mij zeggen. Ronald: We hebben weer een aantal nieuwe dingetjes kun je daar iets over vertellen, zoals jullie doen via een podcast, doe ik dat eigenlijk heel veel via video of geschreven. Ronald: Wereldwijd wereldwijd reist letterlijk de wereld rond naar de continenten waar AI hot is. Ronald: De laatste twee maanden vier keer in Amerika geweest, in China geweest, meerdere plekken in Europa. Ronald: Dan word ik uitgenodigd op zo'n event. Ronald: En daar krijg je toegang tot de meest interessante mensen en die vertellen dan hun verhaal en wat voor nieuw is. Ronald: Omdat ik dat dus doe, en deel en al negen jaar doe, heb ik ondertussen 57.000 volgers op social media. Ronald: Als je vanuit het consumentenperspectief kijkt, dan is dat niet zoveel. Ronald: Maar in het business to business, is allemaal business to business. Ronald: Of practitioners. Ronald: Die het interessant vinden om mijn verhaal uiteindelijk te volgen. Ronald: Waar ik trots op ben, is dat ik meer dan 100 200 rankings zit, waar ik een top 10 influential persoon ben op het gebied van AI en analytics de laatste acht, negen jaar. Ronald: Dus dat is wat ik hoofdzakelijk doe, maak meer dan 600 video producties per jaar. Ronald: Ik heb een groot team die me daarmee helpt. Ronald: Daarnaast help ik enterprises die eigenlijk bezig zijn met AI met AI voor te bereiden. Ronald: En vooral van wat ze allemaal moeten onderzoeken en weten voordat ze met AI aan de slag gaan. Joop: We gaan het hebben over het gat tussen pilot en productie. Joop: Want dat gat is iets wat langzaam steeds meer gezien wordt. Joop: Waarom wilde je het hierover hebben? Ronald: Wat je ziet, heel veel partijen. Ronald: Die zijn uiteindelijk met een pilot begonnen. Ronald: Wat je vaak ziet, is dat hij zeggen, we hebben heel veel ideeën 100 ideeën. Ronald: En vervolgens gaan ze met een pilot aan de slag twee of drie items eruit. Ronald: Maar lopen ze toch wel tegen redelijk wat uitdagingen aan heel veel uitdagingen. Ronald: Om uiteindelijk tot een resultaat te komen. Ronald: Enerzijds lijkt me leuk om die uitdagingen te delen, anderzijds lijkt me leuk om aan te geven naar waar staat het nu eigenlijk in de wereld op het gebied van AI. Ronald: Ik heb ook wat voorbeelden meegenomen van Agentic AI, dus hoe agents eigenlijk naar ons helpen om dingetjes beter te doen. Ronald: En de bagage die ik mee heb, ik zou graag wat dingen delen. Ronald: Wat ik denk wat verstandig is om te doen om je om jezelf voor te bereiden. Joop: Heel raar. Niels: Ik ben benieuwd. Niels: Je zei uitdaging. Niels: Ik gelijk allemaal vragen: wat voor uitdagingen kom je zo al tegen. Ronald: Het aantal uitdagingen zijn eigenlijk groot. Ronald: Als je kijkt als we vooral in ieder geval van pilot naar productie gaat. Ronald: Uitdagingen die je kunt bedenken als je op het gebied van de C-level executives kijkt. Ronald: Die hebben intern al uitdagingen. Ronald: Want die hebben al een discussie onderling, waar de CEO zegt van nou, AI is het nu helemaal aan het worden. Ronald: Als we even één stapje terugdoen, misschien we zien eigenlijk een aantal inflectiepunten, keerpunten op het gebied van AI. Ronald: We hebben OpenAI. Ronald: die in twee maanden 100 miljoen gebruikers had. Ronald: Dat is een punt wat eigenlijk nog geen enkele tool had bereikt. Ronald: Vervolgens heb je Open Core met Genic AI, die in zes weken meer downloads had dan Linux in 30 jaar. Ronald: Dus dat geeft eigenlijk een aantal keerpunten aan. Ronald: Waarbij je ziet dat AI echt niet nog een hype of iets dergelijks. Ronald: En wat je dan ook ziet, is dat heel veel executives denken van nu moeten we hier wat mee. Ronald: Het moet opgenomen worden in de strategie. Ronald: Maar Nederland, dan denk ik nog wel mij ver achter ligt. Ronald: ten opzichte van de rest van de wereld, vooral van de US. Niels: En waar lopen we dan op achter? Ronald: Mindset als eerste. Ronald: Even de C-level executives. Ronald: Ik had een presentatie voor 200 Nederlandse executives. Ronald: Met de voormalige president van Nederland, Prime Minister. Ronald: En daar vroeg ik op een gegeven moment van oké, dat was november. Ronald: En waar ik op een gegeven moment vroeg van oké, wie heeft er al met AI bezig. Ronald: Ongeveer 15 mensen die waren daar met een pilotje bezig. Ronald: En toen vroeg ik ook van, nou, wie heeft er van Agentic gehoord? Joop: Dus drie mensen gehoord. Ronald: Dus dat was voor mij ook wel. Ronald: Een punt van nou, ik had net een rapport voor ogen gekregen dat 80% van de Amerikaanse executives op dat moment al agents in hun strategie hadden verwerkt. Ronald: Dat geeft denk ik aan van oké, de mindset. Ronald: Dus dat is denk ik al een van de grote interesse. Joop: En als er nu, zeg maar leidinggevende management luisteren. Joop: Wat verstaan we onder Agentic? Joop: Wat versta jij onder Agentic? Ronald: Agentic is eigenlijk dat het actionable wordt, Agentic heeft acties. Ronald: Ik probeer het eigenlijk te vergelijken, waarbij je als je een LLM hebt, ChatGPT, of Gemini of Claude, dan heb je eigenlijk een tool. Ronald: En die tool kun jij gebruiken als een soort ondersteuning voor jezelf. Ronald: Ik stel een vraag of ik upload bepaalde data of content. Ronald: En dan krijg ik een antwoord terug en dan vervolgens ga jij zelf de acties uitvoeren. Ronald: Nu krijg ik van zo'n soort toolbox ga je over naar acties. Ronald: Dus dan worden de acties niet meer door jezelf uitgevoerd, maar die worden door een agent uitgevoerd. Ronald: Dus Agentic is eigenlijk een slimme agent. Ronald: Die voor jou de acties uit gaat voeren, die je eerst eigenlijk altijd zelf deed. Ronald: En dat is een heel groot verschil. Ronald: Want dan komt er veel meer bij kijken dan als je zeggen, een tool hebt die jou kan ondersteunen. Ronald: Want dan zit je altijd nog de persoon die even de filtering maakt van nou wat is goed, wat is niet goed. Ronald: Als je een agent hebt, dan moet je alles dus gaan definiëren wat er uiteindelijk allemaal moet gebeuren. Ronald: En dat is een heel groot verschil. Ronald: En dat is een wereld van verschil. Ronald: Of maar zeggen, een tool gebruikt of het operationaliseert binnen je organisatie. Ronald: Dus dat is denk ik een heel groot verschil als je even weer terugkomen op die vraag van wat voor uitdagingen zie je dan. Ronald: Enerzijds zie je een soort adoption gap. Ronald: Dus heel veel bedrijven die er uiteindelijk mee mee bezig zijn. Ronald: Die zeggen van oké, ik begin er wel mee. Ronald: Ik ga zelf wat in elkaar zetten, ga het proberen. Ronald: Maar die hebben geen toestemming of geen sponsoring, geen support van een executive persoon. Ronald: Nou, dan kun je wel heel veel dingetjes doen, maar dan krijgt het uiteindelijk niet er doorheen binnen je organisatie. Ronald: Andere zaak is, als het door een tech-team wordt gedaan, is de vraag hoe gebruiksvriendelijk is het? Ronald: Je ziet heel veel tech-oplossingen, ondanks dat het AI is en laten we zeggen, ondersteund. Ronald: Dat niet zeggen dat het gebruiksvriendelijk genoeg is uiteindelijk. Ronald: Ook wat je vaak ziet is training. Ronald: Oh, we hebben nu een heel mooi tooltje, hier heb je het gaat maar gebruiken. Ronald: Mensen die niet weten waarom we ze het krijgen, niet netjes bij de hand worden genomen in dat hele transitie. Ronald: Dan gaan ze uiteindelijk niet werken. Ronald: En dan zie je dus dat de POC is als je nu wereldwijd kijkt. Ronald: 70% van de POC's, die zien nooit het daglicht. Joop: Proof of concept. Ronald: Proof of concept. Ronald: In ieder geval, je moet me soms even helpen. Joop: Ja, dat doen we ook met allemaal liefde in de terminologie. Ronald: Wat je ziet met agents, het kan zoveel dingen. Ronald: Dat als jij zegt, voorheen, als jij een project en implementatie gaan doen, dan ga je een implementatieplan maken en dan heb je eigenlijk alles in het implementatieplan staan. Ronald: En dan kun je mee aan de slag. Ronald: Dit is zo complex, zoveel mogelijkheden, complex, niet het juist het woord, maar mogelijkheden, dat je het bijna niet meer vooraf kunt definiëren. Ronald: Dus je moet eigenlijk hele kleine stapjes nemen. Ronald: Wat je in zo'n POC vaak ziet, daar heb je een klein conceptje, als je het op een gegeven moment gaat operationaliseren, dan moet je eigenlijk ook heel klein beginnen en heel veel feedback loopjes nemen. Ronald: Van oké, we hebben dit stapje gezet, kunnen we het gebruiken, ja, volgende zal ik straks nog wel even wat toelichten. Joop: Toch Ronald heb ik soms het idee dat er nog iets onder ligt. Joop: Want je zegt van, als je management mee hebt, je geeft de training, het is gebruiksvriendelijk, je begint klein. Joop: Dan kom je er wel, maar toch zegt Gartner bijvoorbeeld. Joop: Analystenburo die zegt 40% van de agents projecten zal eind 2027. Joop: Luister al over anderhalf jaar is dat. Joop: Die zal gestopt worden. Joop: Dus dat moet iets iets groters nog. Joop: Er is nog veel meer. Ronald: Laat ik nog even een Pandora's box. Joop: Misschien even openen. Ronald: En het grote verschil is eigenlijk hier ga je binnen een organisatie change management doen, operationaliseren. Ronald: En dat is het heel groot verschil met ik heb een tooltje wat ik kan gebruiken. Ronald: Wereld van verschil. Ronald: Waar zit die wereld van verschil? Ronald: Nou, je gaf al aan een aantal POC's 2027 zullen het daglicht wel of niet zien. Ronald: Een van de dingen is het aantal POC's dat gedraaid wordt. Ronald: Is voor heel veel mensen op een gegeven moment, ja, we hebben zoveel POC's gehad, ze werken niet. Ronald: Waarom zullen we de volgende nog doen? Ronald: POC fatigue. Ronald: Dus dat er is er eentje. Ronald: Laten we zeggen, de speed paradox. Ronald: Tussen de C-level executives, waarbij de CEO zegt, oh, we moeten met de AI-slag. Ronald: Het gaat het helemaal worden. Ronald: En de CFO die zegt van ja, ik zie al die projecten, maar die gaan helemaal over hun budget. Ronald: Maar vorige week was ik nog ergens en daar was een project in eind maart alle tokens verbrand. Ronald: Ja, wat doe je dan de rest van het jaar, dan kun je er of geld bij stoppen of of stoppen. Ronald: Dus dat werkt niet. Ronald: En je ziet de CIO eigenlijk de uitdaging hebben van die weet er is zoveel legacy. Ronald: Of het dan over alle verschillende datasources hebt die nog gekoppeld moeten worden, of je het over API's hebt, die al die AI queries helemaal niet aan kunnen. Ronald: En ik zal straks nog wel een aantal geven. Ronald: Dat zijn uitdagingen. Ronald: Die paradox is een uitdaging, waarbij de ene meer speed wil voor nieuwe projecten. Ronald: en de andere denkt van ja, doe maar eens even rustig aan. Ronald: Want ik krijg het toch niet voor elkaar. Ronald: Dus dat is al de discussie die je hebt, alleen maar op C-level niveau. Ronald: Als je dan vervolgens gaat kijken naar die use cases. Ronald: Normaal heb je een implementatie, definieer je use case, je hebt net je projectplan en je gaat implementeren. Ronald: Hier is de vraag, als je al kunt bedenken wat de use case is, ik zal straks een voorbeeld geven van de next best action in een service bedrijf. Ronald: waar je eigenlijk je hele verkoopmethode en marketingmethode gaat omdraaien en agentisch gestuurd laten worden. Ronald: Maar dat kun je vooraf niet definiëren. Ronald: Dan kun je pas mee aan de slag gaan en denken van oké, wat kunnen we nou, wat krijgen we eruit? Ronald: Dus wat kunnen we uiteindelijk realiseren? Ronald: Dus je use case is lastig vooraf te definiëren. Ronald: Ook daarom is het de vraag van ja, dan gaat het mee aan de slag. Ronald: Maar dan heb je een adoptiegap van oké, deze mensen zeggen, hé, we gaan ermee aan de slag, we gaan iets doen en bijvoorbeeld de next best action. Ronald: En de ander zeggen, ja, maar wat betekent dat voor mij, verlies ik mijn baan. Ronald: Is dat een onderdeel van mijn taak. Ronald: Dus die zeggen van hé, dat gaan we helemaal niet doen. Ronald: Als er een gedeelte met hakken in het zand gaan, gaat er weer niks weer, wordt het project uiteindelijk niet succesvol. Ronald: Een ander heel belangrijk item. Ronald: De druk is hoog bij mensen om betere kwaliteit nu te leveren. Ronald: Maar binnen de organisatie zegt, je mag geen LLM gebruiken. Ronald: Want je mag je data van de bedrijf niet in stoppen. Ronald: Iemand komt de volgende dag met een hartstikke uitgebreid rapport en zegt, ik heb het niet gedaan, maar ik heb het allemaal zelf gedaan, kijk eens hoe goed ik ben. Ronald: Dan denk je die andere van ja, dat kan die niet gedaan hebben. Ronald: Maar hij ziet, hij krijgt wel alle credits. Ronald: Dus die denkt 's avonds van ik pak mijn eigen LLM, ik stop daar dat rapport even in. Ronald: Doe ik even analyse, ik maak hem mijn eigen bewoordingen. Ronald: Maar de data. Ronald: Strategische data van de rapport zitten dan in een LLM, als het een gratis is, wordt het gedeeld. Ronald: En kan iedereen er uiteindelijk bij, want wordt het gebruikt om van te leren. Ronald: Dus dat is een onderdeel, hoe ga je dat managen binnen organisaties. Ronald: En je ziet het niet en je kunt het ook bijna bijna niet bewijzen. Ronald: Een onderdeel waar ik veel mee bezighouden is ook van wie is nu de eigenaar van de beslissing. Joop: beslissing van wat? Ronald: AI, want als je kijkt naar AI, wat doet AI, en vooral agent AI die neemt beslissingen. Ronald: Tot nu toe naar mijn personen en plays nemen beslissingen. Ronald: Nu ga je zeggen, nou, AI gaat beslissingen nemen. Ronald: Maar welke beslissing mag AI nemen? Ronald: Welke mag een persoon werknemer nemen? Ronald: En welke moet je een combinatie hebben? Ronald: Ik gebruik de term human in the loop. Ronald: Dus dan moet je een mens hebben uiteindelijk goedkeuring geeft. Ronald: Dat is heel lastig om vooraf helder te krijgen, maar heel belangrijk. Ronald: Want anders ga je beslissingen afpakken van iemand die niet weet dat die beslissing niet meer door hem genomen hebben. Joop: En een eigenaarschap gaat er dan ook in zitten. Joop: Je hebt het over autonome systemen. Joop: Dus wie wordt er dan verantwoordelijk voor de autonome fouten die gemaakt worden? Niels: Exact of successen. Joop: Ja, maar laten we eens beginnen met. Joop: Successen willen mensen wat claimen. Joop: Maar wie neemt eigenaarschap over de autonome fouten die gemaakt worden, daar komt ook meteen het eigenaarschap, maar je moet ze ook kunnen ontdekken. Ronald: Dus je moet gaan observeren. Ronald: Observability is daar een onderdeel van. Ronald: Ik wil bijhouden wat er allemaal wordt gedaan, kunnen we zien, is het transparant genoeg om te bepalen welke data we hebben gebruikt, welke beslissing is genomen, welk model is genomen, waar zit de fout dan uiteindelijk in. Ronald: Dus zolang je dat niet hebt, kun je niet eens iemand de schuld geven. Ronald: Maar is het wel uiteindelijk de schuldvraag als er iets uiteindelijk helemaal helemaal verkeerd gaat. Ronald: Dus dat is die accountability is een belangrijk onderdeel. Ronald: En ja, die zie je pas als het fout gaat. Joop: En valt zeg maar in het gat tussen pilot en productie, zijn dit typische vragen die dan in het gat vallen. Ronald: In dit gat vallen bedoel je. Joop: Nou ja, kijk er misgaat. Joop: Ja, er is een gat tussen waarom waarom dingen van een proof of concept niet in productie komen. Ronald: Dit zijn belangrijke dingen. Ronald: Daarnaast heb je nog een groot aantal zaken die je moet voorbereiden. Ronald: Om uiteindelijk te bepalen van gaat het goed of gaat het niet goed. Ronald: Want bijvoorbeeld wat jij zei die accountability. Ronald: Ja, kan een issue zijn, maar als je hem niet oplost, dan blijft het een issue. Ronald: Misschien is het leuk als ik een voorbeeld van een best action deel. Ronald: Dus dat is een agentic case. Ronald: Een agent die mee gaat helpen met beslissingen te nemen. Ronald: Of gedeeltelijk autonoom uiteindelijk beslissingen nemen. Ronald: Dus die gaat de executie doen. Ronald: En dat doet die in een organisatie. Ronald: Waarbij je eigenlijk altijd gewend bent. Ronald: Er is een manager, er zijn werknemers en die nemen zelf de beslissingen. Ronald: Dit gaat over, laten we zeggen, een verkoop van marketing. Ronald: Eerste contact krijgen, een signaal binnenkrijgen, misschien moet hij op je website uiteindelijk registreert. Ronald: Voor ons komen ze in het CRM. Ronald: Ga die opvolgen en gaat het hele traject door tot een sales. Ronald: Als je nu gaat redeneren van wat kun je met AI, wat wil je met AI. Ronald: En je zegt van oké, ik wil eigenlijk alleen maar het doel bepalen, want dat is waar agente heel goed is. Ronald: Ik zeg het doel is verkopen van deze service. Ronald: En dan zeg je tegen agente van deze service wil ik gaan verkopen. Ronald: Wat moet er dan allemaal gebeuren? Ronald: Vanuit de organisatieperspectief. Ronald: Dan moet je enerzijds gaan zeggen van oké. Ronald: We hebben models, modellen, LLM modellen. Ronald: Je hebt uiteindelijk agents. Ronald: Dus agents hebben bepaalde skills, capabilities, die ze uit kunnen voeren. Ronald: Vervolgens heb je een workflow. Ronald: Die moet je allemaal gaan coördineren. Ronald: En in die workflow kan dus een agent een beslissing nemen, dan kan een persoon een beslissing nemen of een human in loop combinatie. Ronald: Die moet je gaan orkestreren. Ronald: Dus in plaats van dat je een manager bent en zegt van hé, we hebben een team, je lieten net hier de trainingzaal zien. Ronald: We trainen alle mensen, we hebben een cultuur, we hebben allerlei SOP's, standard operating procedures. Ronald: Al die items bij elkaar maken het dat alle mensen hier dingen uitvoeren. Ronald: En dat het uiteindelijk het resultaat goed is. Ronald: En als het niet goed gaat, nog even terug kunnen kijken van waar is het nou verkeerd gegaan. Ronald: Nu ga je met een agent toe. Ronald: Je hebt uiteindelijk een doel. Ronald: De doel is verkopen van een specifieke product. Ronald: Op basis van dat doel zeg je van oké, ik heb een doelgroep. Ronald: Ik heb al heel veel verkopen gedaan. Ronald: Ga eens even kijken naar die doelgroep. Ronald: Ga nu eens prioriteren wie ik moet benaderen. Ronald: En niet van, dit is een specifieke rol, dus die zullen we wel eens even gaan zoeken. Ronald: Nee, op welke signalen. Ronald: Signalen kun je enerzijds denken van in je CRM heeft er iemand iets eerder gekocht. Ronald: Maar je kunt ook verder gaan denken, bijvoorbeeld op social media, iemand die post wordt. Ronald: Dat is een signaal. Ronald: Ik vergelijk het altijd met oké, je loopt op een event en iemand die stopt even bij jouw stand en die staat wat te lezen. Ronald: Dat is een signaal, want die is nog wat op zoek. Ronald: Nou, als iemand tot post, dat kan een signaal zijn, dat signaal wil je eigenlijk opvangen. Ronald: Dus met AI kun je enerzijds signalen opvangen op social media, in je e-mail. Ronald: Op basis van profielen, allerlei zaken in verschillende databases die je hebt. Ronald: En laat het systeem prioriteren wie jij uiteindelijk moet benaderen. Ronald: Geef daar een score aan. Ronald: Dat is één stuk. Ronald: Het opvangen van al die signalen is een ander stuk. Ronald: Dan vervolgens als je die prioritering hebt, dan wil je bepalen wat is de next best action. Ronald: Dat kan bijvoorbeeld zijn van like een bepaalde comment of like een post die iemand heeft gedaan. Ronald: Dan is het een begin van een interactie. Ronald: Als je staat op mijn stand, je zegt hallo, iemand die staat daar te lezen, dat is een interactie. Ronald: En dan like is eigenlijk het stukje hetzelfde, maar dan gaat het digitaal. Ronald: Dus dan zit je eigenlijk krijg je veel meer signalen die je kunt gebruiken om uiteindelijk je salespipeline te kunnen vullen. Ronald: Dan heb je dus daar modellen die je uiteindelijk daarop draait. Ronald: Vervolgens begint je engagement, dan krijg je conversatie. Ronald: Dan heb je de AI die dat berichtje kan beantwoorden. Ronald: Dan komt er weer een antwoord terug. Ronald: En dan gaat op en neer. Ronald: En op een gegeven moment kun je zeggen, nou ik wil een call hebben. Ronald: Die call kun je voor laten bereiden en dan kun je de call nog zelf doen. Ronald: Je kunt ook een echte call door een Agentic AI saleswrap uiteindelijk tegenwoordig al doen. Ronald: Maar laat zeggen, we hebben nog de persoon die de call doet. Ronald: En vervolgens daarnaast doe je je offerten, daar gebruik je. Ronald: Of een LLM of een agentic AI die dat kan genereren. Ronald: En je kunt je hele salesstrategie laten supporten. Joop: Maar wat voor hun luisteraar. Joop: Wat is hier nou anders aan dan dat we workflow automation hadden. Joop: Dat je zegt van, oh ja, dit zijn eigenlijk de stappen, die hebben we allemaal naast elkaar gelegd. Joop: We knopen een systemen aan elkaar en doen dit ook. Ronald: Ja, maar nu denkt het systeem voor jou. Ronald: Dus het systeem gaat bepalen wat jij moet doen, in welke volgorde, welk berichtje jij genereert, welk bericht jij terugkrijgt, daar weer op antwoord. Ronald: Eigenlijk alles die workflow automation, dat zijn de stapjes die je automatiseert. Ronald: Hier ga je al het denken, al het kenniswerk ook automatiseren in die stapjes. Ronald: Dus uiteindelijk wordt jouw rol als bijvoorbeeld verkoper. Ronald: Heel anders. Ronald: Je gaat in plaats van drie offertes die je op een dag maakt, tien keer dat doen. Ronald: Je gaat heel veel, laten we zeggen, misschien nog dingetje checken van oké, moeten we hierop antwoorden? Ronald: Ja, ja, ja, ja, maar je geeft een lijn aan. Ronald: Maar de AI genereert het antwoord. Joop: Maar kan je over dat denkwerk nog iets meer specificeren? Joop: Wat voor type denkwerk hebben we dan aan de agentic agent uitbesteedt. Joop: Wat we niet in de workflow daarvoor zouden kunnen. Ronald: Nou ja, kunnen en hier kunnen met machine learning. Ronald: En met agentic met machine learning kun je het ook. Ronald: Maar dan is het project nog veel complexer. Ronald: Dus wat zou je bijvoorbeeld niet kunnen? Ronald: Nou, één, je verzamelt al die signalen, bijvoorbeeld op social media. Ronald: Honderden duizend signalen. Ronald: Dus ik zeg van ik heb 400 mensen target personen, dan ga je de signalen van opvangen. Ronald: Dat kun je handmatig doen. Ronald: Maar dat kost veel te veel tijd, dus dat doe je niet. Ronald: Dus als je daar een agent hebt die die signalen configureert en die op kan vangen, dat is al één ding. Ronald: Vervolgens komen die signalen binnen. Ronald: Maar je hebt laten, like een comment en share. Ronald: Die worden nu helemaal niet gebruikt. Ronald: Nu is alleen als er iemand een mail stuurt van ik wil wat kopen, dan reageer je daarop. Ronald: Maar nu heb je al veel vroeger signalen die je eigenlijk omdat je die data hebt en kunt verwerken, gaat gebruiken. Ronald: Dus dat is eigenlijk een automatisering van je signalen. Ronald: Je database, dus je hebt vaak bij organisatie meer de databases met klantinformatie, serviceinformatie, verkoopinformatie, je CRM data. Ronald: De salespersoon die zit alleen in de CRM data te kijken. Ronald: Heeft hij gekocht. Ronald: Oh, eens even kijken wie de verleden heeft gekocht. Ronald: Maar die kijkt niet. Ronald: Oh, er is een service aanvraag geweest. Ronald: Of er is een aankoop uiteindelijk gedaan in een ander systeem. Ronald: Dus die combineert die verschillende systemen niet. Ronald: En omdat die systemen niet combineert, krijg je die signalen ook niet. Ronald: Dus gebruik je die signalen ook weer niet om een vervolgactie te creëren. Niels: Dus tussen holistischer kijken. Niels: Naar welke signalen heb je welke uitdagingen hebt en daar dan de agent voor inzetten? Ronald: Automatiseren, dus bepaalde prioriteren, dat doet normale salespersoon. Ronald: Maar die heeft al genoeg taken. Ronald: Dus de vraag is of die wel de juiste prioriteit uiteindelijk neemt. Ronald: Dus je doet het denkwerk van de salespersoon het prioriteren. Ronald: Dat doet de agent. Ronald: En die kan dat echt veel beter. Ronald: Want dan komen we zeggen, een persoon naar boven en dacht. Ronald: Oh, ja, die had ik zelf nooit gezien. Niels: We hebben niet zien. Niels: Want we hadden net een uitdaging en dat was een stukje van goh, hakken in het zand. Niels: Hoe ga je dan bij dit soort implementatie om met mensen die juist een ak in het zand zetten. Niels: Want dit klinkt als van hé, maar dat is wat ik doe, dat is mijn prioritering. Niels: Hoe los je die uitdaging dan op? Ronald: Nou ja, dat moet je ze meenemen vanaf het begin. Ronald: En je zult mensen voor moeten bereiden dat ze een andere rol gaan krijgen. Ronald: En waar ik eigenlijk altijd focus is, je gaat betere kwaliteit leveren en je hebt meer output. Ronald: Dat is waar we wat we proberen te realiseren. Ronald: En de irritante repetitieve werkzaamheden, die hoef je niet meer te doen. Ronald: Maar dat blijft nog steeds een belangrijke rol in het geheel. Ronald: Niet iedereen zal dat begrijpen, niet iedereen zal dat willen, maar dat is wel wat er gaat gebeuren in de wereld. Ronald: Je zult je aan moeten passen om met AI samen te kunnen gaan werken. Ronald: En doe je dat niet, dan zal het lastig zijn. Ronald: Doe je dat wel. Ronald: Programmeurs. Ronald: Ik zag gisteren nog een post dat het aantal commits van softwarecommits van programmeurs voor drie of verviervoudigd is. Ronald: Dat betekent zijn er dan uiteindelijk minder programmeurs nodig, misschien helemaal niet, want er zijn veel meer projecten. Ronald: En ze kunnen veel meer productief productiever zijn. Ronald: Wat je zult zien, is, nou ja, je wordt productiever en je levert een betere kwaliteit. Ronald: Dus dat is denk ik het stuk hoe je mensen mee moet krijgen. Ronald: En dan zullen er inderdaad toch mensen zijn en zeggen, dat ga ik niet meer doen. Ronald: Ik wil dat niet meer mijn werk, of dat is mijn stuk. Joop: Het verandert in ieder geval. Joop: De andere wat ik je hoorde zeggen, is van, je hebt allemaal verschillende databronnen. Joop: Overal zitten die signalen verspreid. Joop: Dat is denk ik wel, zeg maar het punt waar zo'n CIO, zeg maar, zenuwachtig van wordt. Joop: Van ja, maar heel moet ik in één keer al die data aan elkaar zien te knopen en dan moet ik dat allemaal gaan ontsluiten. Joop: Hoe doe ik dat? Joop: En dat dat misschien ook een van de uitdagingen is. Ronald: Een hele grote uitdaging, verschillende bronnen, is een van de grootste uitdagingen. Ronald: Een heel simpel voorbeeld. Ronald: Als jij het gaat automatiseren met een agent, en je hebt in verschillende bronnen, dezelfde persoon. Ronald: Maar die staat bijvoorbeeld twee keer in. Ronald: En de ene bron staat die als zal ik maar zeggen prospect. Ronald: En de andere is een klant van tien jaar. Ronald: En vervolgens stuurt de AI dan een mailtje van leuk om kennis te maken. Ronald: Dus dat is al een heel simpel voorbeeld dat je data op orde moet zijn en inderdaad heel veel CIO's heel zenuwachtig krijgen van hoe gaan we dat allemaal oplossen. Joop: En zeg je dan ook van je data moet eerst op orde zijn voordat je begint. Ronald: Je hebt een aantal fases, laten we zeggen, van je data. Ronald: Verschillende databronnen en veel raw data. Ronald: Dat is het slechtste scenario dat je kunt hebben. Ronald: De vervolgens stap is eigenlijk dat je die databron gaat consolideren of in ieder geval toegankelijk maakt en consolideert enerzijds. Ronald: Dat is een tweede stap en toegankelijk maken, is een belangrijke stap vervolgens, en dat is een hele lastige stap wat heel weinig organisaties hebben gedaan, moet je gaan labelen. Ronald: En je moet een governance laag overheen zetten. Ronald: Wie mag welke data gebruiken bij welke use case op welk moment. Ronald: Een persoon. Ronald: Maar ook een agent. Ronald: En vooral een agent. Ronald: En als je dan met PII data met personal identifiable in. Joop: Zo zeg je echt zo vooral een agent. Ronald: Nou ja, een persoon die kan nog even redeneren van oké, dit is Jan, en die is al tien jaar klant, die ga ik niet een berichtje sturen van leuk kennis te maken, kun je een keer langskomen op een nieuw event van ons. Ronald: Die maakt die redenatie, dus die heeft dat in zijn hoofd en die heeft dat in zijn processen. Ronald: Dus daar zit nog een soort human schakel tussen bij een agent die zegt van nou, dit is een nieuw persoon. Ronald: Die moet ik een berichtje sturen, die stuurt dat bericht eruit. Ronald: Dus daar moet je ook heel goed bedenken van oké, wat wil ik wel en wat wil ik niet door een agent laten doen. Ronald: Maar even over die data terugkomt. Ronald: Je moet gaan bepalen in elke use case, welke data je mag gebruiken, welke niet. Ronald: En uiteindelijk je wil eigenlijk zo min mogelijk data per use case gebruiken. Ronald: En zo klein moet ook model. Ronald: Modellen kosten geld. Niels: En waarom wil je dat? Ronald: Ja, modellen kosten geld. Ronald: En als je dingen 10.000 keer doet en je doet dat met een heel groot model op alle data, kost je 10.000 keer heel veel geld. Ronald: Als je dat laten 10.000 keer doet met een klein model en met beperkte data, kost dat misschien een fractie. Ronald: Ik kan even directe cijfers aan geven. Ronald: Dus dat wil je zo specifiek mogelijk doen. Ronald: Maar dan moet je wel weten welke data? Ronald: Je moet wel toegang tot die data hebben en het kunnen ontsluiten. Ronald: En je data moet voorbereid zijn in een pipeline dat die data aangeleverd wordt. Joop: En daar zit daar dan ook het menselijke denkwerk nog steeds in? Ronald: Oh, daar zit heel veel menselijk denkwerk in. Ronald: Ik denk dat we alleen maar meer werk krijgen. Ronald: Al mensen die ik spreek, die met AI's zijn, die hebben meer werk en die werken harder dan ooit. Ronald: En ik denk niet dat het minder gaat worden, want laten we zeggen de uitdagingen, en dan kunnen we er straks nog even over hebben. Ronald: De complexiteit die er eigenlijk is in een organisatie, wordt nu blootgelegd. Ronald: En daar hebben we heel veel mensen voor nodig die slim zijn en bedenken van hoe gaan we dat nou uiteindelijk oplossen. Joop: Want waarom? Joop: Waarom zeg je dat? Joop: Dat die complexiteit blootgelegd wordt. Ronald: Nou ja, hier als wij een organisatie, jullie hebben hier een organisatie en er worden heel veel beslissingen genomen op basis van mensen zijn kundig, er zijn regels, standard operating procedures. Ronald: Mensen die hebben, laten we zeggen, een menselijk gevoel van dit moet wel doen, dit moet ik niet doen. Ronald: Dit is een klant, die ga ik dat bericht niet sturen. Joop: Informele beïnvloeding. Ronald: Informele beïnvloeding, en er is een manager, als ik het niet weet, dan ga ik het even de manager vragen. Ronald: En dat gaat laten zeggen, van het C-level tot en met mensen in de praktijk. Ronald: Dat is allemaal geregeld. Ronald: Nu moet je een agent gaan vertellen wat die moet doen. Ronald: Nou, dan komt er heel wat bij kijken, kan ik je vertellen. Ronald: Want je hebt bijvoorbeeld de legacy systeem. Ronald: Eén, je moet al bepalen welk systeem kan ik wel data uithalen, welke niet, die verschillende bronnen. Ronald: Dat is al een uitdaging op zich om een project op zich. Ronald: Dan moet je gaan bepalen welk model wil ik hebben. Ronald: Ik zeg dan, je kunt wel zeggen, altijd standaard groot model kost heel veel geld. Ronald: We hadden het daar straks ook al over, als er iets gebeurt wat niet had moeten, moet je het wel uit kunnen leggen, explainability. Ronald: Maar dat moet je wel dan inzichtelijk hebben. Ronald: Als je dat allemaal dus niet inzichtelijk hebt, kun je het ook nooit uit gaan leggen. Ronald: We hadden het over de skills van de mensen. Ronald: Je moet ze wel meenemen. Ronald: En je moet al voor of eigenlijk weten van oké, welke skills moet ik die mensen dan leren. Ronald: Want jullie zeiden van ja, maar gaan mensen niet met de hakken in de stand. Ronald: Ja, wel als je zegt, hier heb je een nieuw tooltje en die gaat 80% van je werk overnemen. Ronald: Misschien niet als je zegt, nou, als jij nu iets beter wordt in het beoordelen van elk bericht wat naar een klant moet worden gestuurd, dan ga je dat meer meerdere keren doen, maar dan hoef je dat andere werk niet meer te doen, je hoeft niet meer de data in te voeren, je hoeft niet meer je offerte te maken, et cetera. Ronald: Maar die moeten mensen wel opgeleid worden. Ronald: De use cases die je initieel had voor een project, die kon je misschien met een N4'tje een use case maken en zeggen, die gaan we implementeren. Ronald: Nu moet je al die verschillende facetten gaan definiëren. Ronald: Dus die worden veel gedetailleerder. Ronald: De guardrails, dus wat mogen we wel en wat mogen we niet doen in de praktijk. Ronald: Dat ga je allemaal expliciet op moeten schrijven. Ronald: Want anders weet je agent ook niet. Joop: Maar ik denk iedereen die wel eens zeg maar, processen heeft geprobeerd om die zeg maar in kaart te brengen en te tekenen, weet dat dit het allermoeilijkste is. Joop: Wat er expliciet ligt, die standard operational procedures zijn vaak uitgeschreven, maar de grap is, zeg maar, dat die nooit gevolgd worden, precies zoals ze beschreven zijn. Ronald: Maar dat gaat een agent wel doen, daar geef jij aan van wat die moet doen. Ronald: En als jij dingen niet beschrijft, dan gaat hij zijn eigen interpretatie daar opvoeren. Ronald: En of die dan goed of slecht is, dat merk je later. Ronald: Maar dat moet je wel kunnen traceren, auditen. Ronald: Want als je dat niet kunt auditen, kun je het ook niet beoordelen. Joop: En is dat dan ook de stap eigenlijk die je zou moeten nemen tussen pilot en productie, dat je zegt van, maar we gaan eigenlijk misschien helemaal niet proberen om alles wat er nu ligt in kaart te brengen en dat te automatiseren, maar je zei al van je moet klein beginnen. Joop: Dus dat je zeg maar je agents ook langzaam je organisatie in laat groeien, zodat je die constant aan het bijsturen bent, dat je naar een bepaalde periode draaien ze als het ware mee in die cultuur, in die processen. Ronald: Ja, met één zeggen, voorwaarden, voor dat je fundament goed is. Ronald: Want als je op een slecht fundament agents in je operatie gaat. Niels: En fundament, en dat is dan datafundament. Ronald: Het is meerdere, dat is technisch fundament. Ronald: Maar eigenlijk is het fundament breder, dat is het technisch fundament. Ronald: Dat je je infrastructuur moet uiteindelijk kloppend zijn. Ronald: Je datafundament is heel cruciaal. Joop: Wat zit er dan in de infra? Ronald: Een aantal items. Ronald: Dus je hebt enerzijds je modellen. Ronald: Je moet met een model, als je met een model aan de slag gaat, weten in ieder geval welk model je hebt. Ronald: Je hebt te maken met je orchestration. Ronald: En dat is iets wat heel veel partijen niet goed georganiseerd hebben. Ronald: Dus eigenlijk je governance laag bepalen wie heeft toegang tot welke data, wanneer en op welke manier. Ronald: Dat is echt cruciaal. Ronald: Als jij laat maar zeggen, modellen gaat toepassen, inference heet dat. Ronald: Je kunt ze trainen. Ronald: Thuis een keer uitvoeren van de model. Ronald: Dus je moet je inferencing correct hebben. Ronald: En je moet dan kunnen monitoren wat je doet, observability. Ronald: Want als je die elementen niet voor elkaar hebt, ja dan gaat het eerst fout dan weet je het niet. Ronald: Of je hebt een model opgezet en het performt niet. Ronald: Dus dat is zijn basiselementen. Ronald: Een ander basisfundament is je data. Ronald: Je data moet AI ready zijn. Ronald: En dan kun je beter met een datasetje beginnen die correct is, compleet is, gecheckt is en daar moet je een heel klein stapje nemen, want dan ga je aan de slag en dan zie je dat het toch niet is en dan heb je heel veel feedback loopjes. Ronald: Maar dat is wel de manier waarschijnlijk om het naar één voor jezelf correct te krijgen en met een gerust hart te kunnen implementeren, maar met een mini use case. Niels: Wat is dan naar jouw beeld AI ready data? Ronald: Wat is niet AI ready. Ronald: Dat is het verspreid over de verschillende sources. Ronald: Raw data in verschillende systemen. Ronald: Dus dat is laat zeggen het minste niveau wat je hebt, wat heel veel organisaties toch nog helaas hebben. Ronald: Dan zeg je eigenlijk van oké, het moet geconsolideerd worden. Ronald: Dat wil niet betekenen dat het in één database zit, maar wel een laag die die data accessible maakt, consistent, helder. Ronald: Exact en de definities vergelijkbaar. Ronald: Want als je in verschillende database verschillende definities hebt, loop je ook tegen uitdaging op. Ronald: We hadden een mooi voorbeeld dat we zeggen van oké, wij willen de top performers hebben in manufacturing in de US. Ronald: De agent van de drie resources, de agent kwam met een andere lijst dan met database 1 en database 2. Ronald: met dezelfde data. Ronald: Hoe kan dat nou? Ronald: Ja, wat is de US? Ronald: VS, US USA. Ronald: Heel simpel, maar ik geef wel meteen aan van dit is het meest simpele voorbeeld, wat vaak laat maar zeggen wel goed gaat. Ronald: Maar een klein verschil kan al een verkeerd resultaat geven, of in ieder geval een niet goed resultaat. Ronald: Dus laat maar zeggen dat is accessible en consolidated data. Ronald: Dan heb je vervolgens dat het governed moet zijn, en gelabeld. Ronald: Met dezelfde definities en dergelijke. Ronald: Dan kun je een pipeline bouwen en AI ready maken en dan moet je nog de juiste API of MCP hebben om het uiteindelijk op het juiste moment eruit te kunnen halen. Ronald: Dat is AI-ready data, maar dat zijn al weer drie verschillende fases. Ronald: En als je dan zegt, nou we gaan dat alles doen, dan springt de CIO uit het raam waarschijnlijk. Joop: Het zijn ook niet juist, zeg maar op C-level dat ze denken van ja, maar dat gaat de AI allemaal wel oplossen. Joop: Ik gooi nu ook allerlei ongestructureerde data in het taalmodel. Joop: Ik kan de analyse op draaien, je krijgt best interessante resultaten terug. Ronald: Nou ja, dat zal afhangen van het kennisniveau. Ronald: Maar er zullen een aantal zijn van ja, het zal mijn tijd wel zijn. Ronald: Ik ga over pensioen, dus laat ik maar even mijn vingers niet aan branden. Joop: Nou, dat bedoel ik eigenlijk nog niet eens, maar vooral eigenlijk de belofte, de belofte, dus heel groot van deze technologie. Joop: Dat er geloofd wordt in de belofte van oh ja, maar dit soort dataproblemen. Joop: Dat lost AI ook op. Joop: Er is tegenwoordig lost AI namelijk alle problemen op. Ronald: Ja, ik weet niet of je dat moet geloven. Ronald: De praktijk is het blijkt gewoon heel lastig te zijn. Ronald: Ik zeg het heel makkelijk om een tooltje te gebruiken en support te krijgen en heel moeilijk om te operationaliseren AI te operationaliseren. Ronald: En de basis is gewoon een goed fundament hebben van je data van je infrastructuur. Ronald: En dan kun je daarop bouwen. Ronald: En heb je dat niet, dan wordt het lastiger. Ronald: En dan kunnen er ook allerlei dingen gebeuren die je niet wil en niet meer kunt traceren. Joop: Nog even over die adoptie. Joop: We hebben het nu een paar keer gehad over hakken in het zand. Joop: Wat vond jij zelf in je in de afgelopen acht jaar moeilijk om los te laten waar de AI dingen voor jou heeft overgenomen? Joop: Of het algemeen laat ik graag alles los. Joop: Ik zit even denken wat ik moeilijk vind in ieder geval het liefste doe ik maar één ding en dat doe ik duizend keer en dat is dit soort dingen. Ronald: En de rest geef ik allemaal aan andere mensen of laat ik oplossen. Ronald: En ook zelfs met videobeelden, je kunt geloven of niet. Ronald: Maar soms heb ik een event een opname en blijkt dat ik iets heb gezegd wat niet mocht, en dan pak ze mijn avatar en die zet ze ertussen en niemand niemand iets ziet. Ronald: Dus ook daar word ik vervangen. Ronald: Dus ik heb zelf niet heel veel moeite om dingen over te dragen. Ronald: Dat maakt mijn leven leuker aangename makkelijker en ik werk al genoeg meer kan overdragen heb ik niet dat ik het zelf niet wil. Ronald: Als je kijkt naar de mensen, dan is het heel erg op een gegeven moment de belangrijkste vraag is heb ik daar mijn job niet meer. Ronald: En als je dan een alternatief biedt, ik werk met mensen over het hele wereld, als je zegt nou we hebben een ander type job, dan vinden ze dat al vaak prettig en oké. Ronald: Maar dat is eigenlijk de kernvraag die mensen krijgen, angst dat ze een job verliezen. Joop: Ja en op zich weet je, je hoort ook allemaal over de SaaS apocalypse en alles SaaS cloud computing cloud systemen, weet je, dat gaat weg, de beurzen reageren. Joop: Hoe kijk je daarnaar? Ronald: De beurs reageren heel emotioneel. Ronald: Dus daar ben ik minder van onder de indruk, je ziet elke keer alles wat er gebeurt zie ik weer recht trekken. Ronald: Als je kijkt, cloud is er en gaat niet meer weg. Ronald: Of je nou iets on-prem of in de cloud doet dat heeft eigenlijk meer met een strategische beslissing te maken van een organisatie van wil je iets dan Airgaps hebben in jouw eigen omgeving volledig beveiligd, niemand kan erbij, het is ook niet geconnected met de buitenwereld, dan zul je dat niet zeggen, in de cloud kunnen doen, want die is altijd in connectie met het internet, maar alle andere opties. Ronald: Of je het nou in de cloud hebt of cloud on-prem in je eigen bedrijf cloud hebt. Ronald: Dat is allemaal uiteindelijk om het even. Ronald: Wat je, ik denk wat de kern is van AI. Ronald: Je hebt een veelvoud, tien, honderd keer zoveel use cases die aangepakt kunnen worden. Ronald: En of je dat dan in de cloud doet of on-prem, dat maakt uiteindelijk niet uit. Ronald: Dus er is veel meer behoefte aan nieuwe use cases die je uiteindelijk invullen kunt gaan geven. Ronald: En dan heb je nu enerzijds heel veel partijtjes. Ronald: Ik krijg elke dag tien nieuwe bedrijven die zeggen oh, wij hebben een nieuw toolletje en dit echt tien is niet eens overdreven. Ronald: Dus er komen heel veel nichepartijtjes bij en je hebt platformen die eigenlijk zeggen wij zijn platform en op dat platform kun jij al die use case uiteindelijk uitvoeren. Ronald: Wat je denk ik zult zien, is dat al die nichepartijtjes, dat is vaak een functionaliteit op een grote platform. Ronald: Dus je zult de consolidatie zien. Ronald: Dat de grote techpartijen, die kopen niche partijen en die integreren dat in hun platform. Ronald: En dat zul je denk ik zien met cloud. Ronald: Je hebt meer consolidatie uiteindelijk. Ronald: En dan heb je nog vanuit je organisatie de vraag, als jij met een platform gaat werken, er is heel erg de vraag van wie is de data nou de data zal het van de klant, maar dan zeg ik ze van ja, maar je mag geen externe modellen gebruiken op de data in het systeem van de vendor, ja, dan wordt het natuurlijk een beetje rauw. Ronald: Daar heb je nu heel veel discussie over. Ronald: Dus daar moet je voor jezelf altijd zorgen dat je de data dat je daarmee mag doen, wat je wil om het zo maar te zeggen, want het is altijd wel jouw data, maar als er nog eventjes tussen komen van ja, dat mag je er niet mee, dan wordt het lastig. Niels: Dus dat zal je onderdeel moeten maken van je selectie en je governance proces. Niels: Dus daar moet je scherp op zijn als organisatie. Ronald: Want als je dat niet hebt dan zeggen, oh ja, maar nu moet je alleen onze modellen gebruiken, dan kun je vanuit gaan dat de tikker gaat lopen. Ronald: Want als die tikker gaat lopen per agent, dan kan dat snel gaan. Joop: Jij ziet heel veel. Joop: Je begon met van ik reis over de hele wereld, ik zie heel veel. Joop: Ik wilde eigenlijk een heel klein stukje naar voren kijken. Joop: Wat kunnen wij als Nederland nou leren van Amerika, maar ook als we kijken naar China. Joop: Wat er zeg maar buiten onze landgrenzen gebeurt. Ronald: En dan op het gebied welk gebied? Joop: Wat jij ziet. Ronald: Die landen die zijn super innovatief. Ronald: En supersnel in het opnemen van nieuwe technologieën. Ronald: Maar die hebben daar een hele duidelijke strategie over. Ronald: van wij moeten een leider zijn in dat gebied. Ronald: Nu heeft Europa die zegt eigenlijk van ja, wij moeten onszelf meer gaan beschermen. Ronald: Dus wij moeten hetzelfde kunnen binnen Europa, wat ze in de US of wat ze in China doen. Ronald: Bijvoorbeeld hyperscale en hyperscaler hebben. Ronald: Daar liggen we te ver achter. Ronald: Ik denk dat we één stap terug moeten doen en moeten kijken van waar zijn wij nu super goed in, en daarop focussen en daar de innovatie op focussen en daar de AI op focussen. Ronald: Zodat we goed worden in de dingen waar we al goed in zijn en niet proberen ons te verdedigen door technologieën te gaan bouwen die eigenlijk al veel te ver zijn en we het zelf niet meer kunnen achterhalen. Niels: En met jouw wereldwijde blik, wat springt er dan uit binnen Nederland? Ronald: In Nederland heb je natuurlijk ASML is het kroonjuweel van Nederland, maar je hebt de biotechnologie zit ik zelf niet in je moet gewoon op een niche niveau gaan kijken waar zijn we goed in, en daar moet je je innovatie op richten met AI. Ronald: En ik denk dat dan kom je zelf weer boven drijven en dan ben je beter dan Amerika dan China op dat gebied en je moet je keuzes maken. Ronald: En we moeten niet proberen onszelf te gaan verdedigen door opnieuw te bouwen wat zij al hebben gedaan. Ronald: Zij hebben een aantal strategische keuzes gemaakt, jaren geleden. Ronald: Silicon Valley en China is langs ook heel heel strategisch bezig, die haal we gewoon niet meer in. Ronald: Daar zijn we te later, daar hebben de fouten gemaakt, als je het fout kunt noemen, strategische keuzes gemaakt in Europa. Ronald: We moeten doen waar we goed in zijn en daar helemaal op richten en daar al innovatie en daar alle AI-capaciteit op richten. Joop: Zou er ook iets zijn waarvan je zegt van ja, maar dat stop ik dan nu als ik daar de macht toe had in Nederland. Ronald: Nou ja, regelgeving is goed. Ronald: Laten we zeggen, projecten gefund door de overheid of door de Europese Unie is goed, maar als projecten zijn om de zoekmachine na te bouwen die er in andere landen die zeggen wereldwijd dominant zijn, dan zou ik zeggen, stoppen met dat soort projecten, kijk naar projecten waar we dus goed in zijn, dus stop daar het geld in en niet in projecten om dingen te kopiëren waar we te laat zijn, waar we niet het beste in de wereld zijn, je moet gewoon het beste in specifieke markten zijn en het geldt voor Nederland, het geldt voor Europa. Ronald: En het andere stukje is regelgeving. Ronald: Nou, regelgeving is goed om onszelf te beschermen. Ronald: Maar draai niet door, want sommige dingen in de wereld gebeuren en die kun je niet voorkomen. Ronald: Dus dan moet je meer gaan kijken van hoe kunnen we daarmee omgaan, dan dat je zegt, nou, we gaan personal identifiable information helemaal beschermen. Ronald: Want als je zegt, ja, dat mag bijvoorbeeld niet in AI gebruikt worden, of dan moet je toestemming voor hebben, dan zal dat heel lastig worden voor Europa om uiteindelijk nog competitief te zijn op alle gebieden waar we nu al goed in zijn. Ronald: Dus we moeten toch echt wel naar de wereld kijken op het gebied van regelgeving. Ronald: En ook denken vanuit innovatie en niet alleen maar vanuit regulatie. Niels: Dat betekent ook een langere horizon als ik het zo hoor zeggen, een lange horizon van strategie. Niels: Waar willen we heen? Niels: Wat zijn onze markten dan waar we niche spelen en de expert in willen zijn en daar keuzes in maken. Ronald: Exact. Ronald: Maar dat is lastig als regeringen enerzijds over alle Europese landen verdeeld zitten en anderzijds als je geen wat je in China hebt, dus gewoon één leider en die zegt deze richting gaan wij de vraag of je dat wil, maar die hebben wel een richting. Ronald: En dat hebben wij soms te weinig. Joop: Als we als bedrijven nog niet begonnen zijn, dan heb je in ieder geval geen last van de wet van de remmende voorsprong. Joop: Dus je hebt een heel groen veld voor je, Greenfield. Joop: Wat zou je die bedrijven dan nu adviseren voor het aankomende jaar. Ronald: En bedoel je een start-up of bedoel je wat? Joop: Nou, dat mag een start-up zijn, MKB, enterprise. Ronald: Maar als je geen markt hebt of als je al een markt hebben. Joop: Wel als je een markt hebt, je hebt een running bedrijf nu, maar je bent misschien heb je nog niet eens een pilot gestart, bent wel zoekend. Joop: Je ziet dat de wereld verandert. Ronald: Ik denk dat je je bedrijf moet analyseren en zeggen, wat is nou het kernsuccessfactor van mijn bedrijf. Ronald: En hoe kan ik daar AI op inzetten. Ronald: En hoe kan ik heel makkelijk beginnen. Ronald: In ieder geval een case pak waar je zegt, nou, die is zo voor de hand liggend. Ronald: Heel klein. Ronald: Maar dat het echt past binnen jouw strategisch en businessdoel en niet iets technisch van we moeten het nu gaan gebruiken, we gaan een tooltje gebruiken en we gaan het invullen geven. Ronald: Maar dat maakt het ook meteen heel lastig. Ronald: Dan kun je het beste, waar ik zei van operationeel operationaliseren van AI is heel moeilijk, heel simpel is een tooltje maken, begin dan met dat toolje. Ronald: En begin dan met mensen beperkte toegang te geven. Ronald: Dus je data in dat tooltje te zetten, hier zo is het mooi afgeschermd en het te laten gebruiken. Ronald: Want dat is een relatief makkelijke stap ten opzichte van die operationalisering van AI binnen je organisatie. Ronald: Als je geen ervaring hebt, begin er niet aan en zoek mensen en partijen buiten je organisatie die je daarmee kunnen helpen. Ronald: Want anders ga je het niet redden. Ronald: En het gaat te snel en is te complex om het zelf uit te vinden. Ronald: Het gaat zo snel dat alles wat jij het hebt gevonden, is al vernieuwd als je het hebt uitgevonden. Niels: Dus niet te duwen helemaal zelf opnieuw uitvinden. Niels: Wel beginnen met een tool om te leren kennen, maar in acht nemen, dat de operationalisering dus meer vraagt dan het tooltje zelf en dat mee te nemen, als ik je zo hoor inderdaad bij die implementatie van het toeltje en het plaatsen binnen het grotere perspectief. Ronald: Ja, je moet hier moet je echt denken vanuit Greenfield, vanuit een blanco blad, die Next Best Action. Ronald: De enige manier waarop dat bedrijf tot iets nieuws kwam, gewoon met blanco beginnen. Ronald: Wat willen we eigenlijk? Ronald: En niet van hoe kan ik het bestaande nou automatiseren. Ronald: Maar jullie doen procesoptimalisatie. Ronald: Begin is met een blanco blad, wat zou ik eigenlijk willen doen? Ronald: En dan kan dat en welk stukje kan wel en wat kan niet. Ronald: Dan kun je verandering doorvoeren. Ronald: Maar het is niet de technologie, wat de belemmerende factor is, het zijn de mensen, de organisatie. Ronald: En het beperkt denken, daar ligt het. Joop: Een van de uitdagingen die je noemde, was change management. Joop: Verandering, verandering is altijd het aller aller lastige om door te voeren. Ronald: Het is toch echt wel het fundament van deze technologie. Ronald: Dat is niet de technologie. Joop: En als je, want je doet dit al lang, ik geloof dat je in het begin zijn acht jaar dat je dit zo in acht, negen jaar aan intensie van het volgen bent. Joop: Wat waren nou misschien, als je terugkijkt. Joop: Dat je dacht van deze voorspelling, die leefde zo erg, maar die is helemaal niet uitgekomen. Ronald: In ieder geval een voorspelling waar ik zelf. Ronald: Ik weet niet of dat relevant is, maar bijvoorbeeld crypto. Ronald: Die technologie, laten we zeggen, crypto zelftijd een discussie van nou, is dat wat of niet. Ronald: Waarbij ik het als technologie, laat maar zeggen, links heb laten liggen, maar mijn achtergrond is data. Ronald: En ik heb altijd heilig geloofd in data is de kern van alles wat je doet, en dat denk ik dat ook altijd blijkt. Ronald: Maar het is veel moeilijker om het te operationaliseren dan iedereen ook gedacht. Ronald: AI op een gegeven moment, toen ik begon 2017 werd ik gebeld door de chief data science van een van de grootste technologiebedrijven ter wereld, en die zei wil je webcast maken. Ronald: En dat was laat maar zeggen, mijn begin en mijn omslagpunt. Ronald: En dat ging over machine learning. Ronald: En toen was machine learning, laten we zeggen, het holygrail. Ronald: Toen was het nog heel veel jaren promise. Ronald: Maar de realisatie heel erg moeilijk. Ronald: En nu zie je met de LLM's met AI en dadelijk met Agentic AI. Ronald: Agentic AI is ook complex, maar die heeft wel een grote belofte. Ronald: Zie je dat veranderen. Ronald: Maar ik denk AI is de usability verandering. Ronald: Generative AI wordt echt de procesverandering, maar is lastig. Joop: Ik zit ook best wel heel lang in deze technologie. Joop: En ik dacht zeg maar dat de adoptie veel sneller zou gaan, dat heb ik me in vergist. Ronald: Altijd dacht ik ook van. Joop: waarom duurde zo lang? Ronald: Als je dan met organisatie aan de slag gaat, dan denk je, oh ja, nu begrijp ik het. Ronald: Want het is zo lastig om verandering van nieuwe technologieën door te voeren. Ronald: Dus uiteindelijk is. Ronald: En wat ik ook zei, dat is wat die complexiteit, die wordt nu verder bloot gelegd. Ronald: Organisaties zijn gewoon complex. Ronald: En er zijn heel veel dingen die gedefinieerd moeten worden. Joop: En omdat het zo complex is, gaat het ook niet zo snel, dan dat we welke nieuwe doorbraak of innovatie zouden we nodig hebben om het agentic nog iets makkelijker te kunnen krijgen. Ronald: Als migraties geautomatiseerd kunnen worden. Ronald: En dat is ook wel een datamigraties. Ronald: Datamigraties de toolmigraties naar van een bestaande tool naar een agentic tool. Ronald: Als dat door AI gedaan kan worden, dan gaat dat een hele grote shift geven in de acceptatie van de nieuwe technologie. Niels: Omdat je dan de limitaties makkelijker kan overkomen door eigenlijk een transformatie te doen naar iets nieuws. Niels: En niet meer last te hebben van inderdaad de legacy die je hebt. Ronald: En dat gaat ook wel weer op de bestaande technologiewenders de druk geven om het makkelijker te maken. Ronald: Dus dat zou goed zijn voor de markt, denk ik. Ronald: Want dan zullen de bestaande technologie venders minder op hun eigen huidige zetel blijven zitten, want dan is van nou, we moeten weer competitiever zijn. Ronald: Dat zie ik als een vervolgstap die er gaat komen. Ronald: Die gaat te komen. Ronald: Maar de vraag is even wanneer. Joop: Hoe, dankjewel. Joop: Is er een vraag die wij niet gesteld hebben die we wel hadden moeten stellen aan je heleboel punten om wel de review te laten passeren. Joop: We hebben het heel veel gehad over uitdaging. Joop: Wat is agentic een mooi voorbeeld van de Next Best Action. Ronald: Ja, risico's, we hebben het nog wat minder gehad over risico's. Ronald: Security is niet mijn sterkste gedeelte, maar er zijn wel een aantal risico's die we niet besproken hebben. Ronald: En dan kun je bedenken van nou, enerzijds, wat kan er allemaal misgaan. Ronald: Bijvoorbeeld dan heb je het over prompt injection. Ronald: Waar eigenlijk zelf de vraag heb je nog door van wat er gebeurt als iemand fouten toevoegen heeft aan je prompt. Ronald: Beïnvloeding, maar van de nieuwe technologie. Ronald: En als dat maar duizend keer uitgevoerd wordt, ja, kan dat enorm effect zijn. Ronald: Dus dat is het security stuk heb ik nog minder besproken. Ronald: Maar er zijn een aantal dingen waar je echt wel die risico's goed in kaart moet brengen als je hiermee aan de slag gaat. Ronald: Maar dat is ook weer een topic op zich. Ronald: Mijn expertise ligt meer op data en AI. Joop: Dankjewel, dankjewel voor je inzichten. Joop: Ik denk dat het heel mooi is dat je zo'n breed beeld hebt en dat je dat met ons hebt weten te delen. Joop: Dankjewel. Ronald: Nogmaals, ik vond het een leuk gesprek en ik hoop dat er veel mensen naar luisteren. Joop: Komt vast goed, dankjewel. Joop: Fijn dat je weer luisterde naar deze aflevering. Joop: Weet dat we ook een nieuwsbrief hebben. Joop: De link staat in de show notes. Joop: En dan krijg je kijk je achter schermen iedere maand. Joop: En vergeet je niet te abonneren op je favoriete podcast-app. Joop: Tot de volgende keer.

Meer afleveringen

S08E66
Vibe citations: waarom de waarschuwing niet genoeg is
S01E05
85% van AI-projecten faalt
S03E04
Smart Wearables & Aigency.com
S05E04
Data waardevol inzetten met Marijn Markus - Deel 2
Marijn Markus
S05E21
Shorts - Geloof en scepsis in AI
S05E34
Shorts - Wordt ChatGPT steeds dommer?